根據NVIDIA首席科學家在國際設計自動化會議（DAC）中詳細介紹的研究，機器學習和加速計算正在幫助工程師更快更好地設計出半導體。

NVIDIA首席科學家Bill Dally今日在國際設計自動化會議（DAC）在線主題演講中表示，AI能夠設計出人類無法設計的芯片。DAC是目前全球規模最大的半導體工程師會議之一。

Bill Dally談及了加速計算和機器學習方面的研究，這些研究讓芯片變得更小、更快、更高性能。

Dally負責NVIDIA Research —— 一支200多人的團隊。他表示：“我們的工作表明，使用GPU加速系統可以給芯片設計帶來數量級的提升。借助AI，能夠得到超水平結果——勝于任何人類能夠設計出的電路。”

電路和電路板雙雙受益

Dally列舉了GPU和AI為芯片和電路板設計工作流程所帶來的改進——從電路的布局，到印刷電路板圖像的快速渲染。

在一個使用GPU進行加速的突出示例中，他提到了NVIDIA計劃在明年一場大會上展示的研究。與當今運行在CPU上的商業工具相比，GATSPI工具將芯片邏輯的詳細模擬速度提高了1，000倍以上。

GPU加速模擬工具GATSPI可在數秒內完成目前在CPU上需要運行一整天才能完成的工作

今年DAC上的一篇論文描述了NVIDIA如何與領先的EDA軟件供應商Cadence Design Systems合作，在NVIDIA GPU上使用圖形技術來渲染電路板設計。基于兩家公司的此次合作，Cadence 于6月發布在Allegro X平臺的交互操作性能提高了20倍。

Dally表示：“工程師們過去在每次編輯或平移圖像后都要等待程序的響應，這種工作方式常常令人陷入無奈的窘境。但有了GPU之后，該流程就具有了真正的互動性。”Dally在2009年加入NVIDIA之前，曾擔任斯坦福大學計算機科學系主任。

強化學習帶來回報

本周的DAC會議上還介紹了一種名為NVCell的技術，該技術使用強化學習來自動執行芯片的基本組成部分——標準單元的布局設計工作。

通過此方法，這項通常需要10人團隊花費數月才能完成的工作，就變成了一個只需數日就能完成的自動化流程。Dally表示：“這讓工程團隊能夠集中精力攻克一些更為棘手、需要人工設計的單元。”

另一個強化學習的例子，是NVIDIA研究員將在DAC上介紹的一個名為PrefixRL的新工具。該工具可以發現加法器、編碼器或自定義設計等電路的設計方法。

PrefixRL將設計流程視為一場游戲——追求為電路找到最小的面積和功耗。

通過AI優化流程，工程師們就能得到比目前工具更高效的設備。這個示例充分展示了AI如何完成人類無法做到的設計。

充分運用各種AI工具

NVIDIA與德克薩斯大學奧斯汀分校合作，開展了一個名為DREAMPlace的研究項目，該項目創新地使用了一個用于深度學習的常用軟件框架——PyTorch。該項目對這一用于優化神經網絡權重的框架進行了調整，以找到最佳位置，即能夠在更大的芯片中放置一個含有1000萬個單元的塊（block）。

即使在CPU上使用當今最先進的技術，也需要近四個小時才能完成這項常規工作。而在數據中心或云服務中的NVIDIA Volta架構GPU上運行時，只需要短短5分鐘，速度提高了43倍。

更快獲得更清晰的圖像

為制造芯片，工程師們需要使用光刻機，將設計投射到半導體晶圓上。而為了確保芯片的性能符合預期，他們必須面對一項重要挑戰——精確模擬圖像。

NVIDIA研究員創建了一個能夠理解該光學流程的神經網絡。與目前最先進的機器學習方法相比，該神經網絡的晶圓圖像模擬速度加快了80倍，并且精度更高，所使用的模型也小了20倍。

這是工程師結合加速計算和人工智能，更快地設計出更高性能芯片的又一個例子。

AI驅動未來

Dally表示：“NVIDIA使用了一些AI技術來設計現有的GPU，未來我們計劃使用更多此類技術”

“我預計，未來的標準EDA工具也將采用AI，讓芯片設計師的工作更輕松，并打造出更高性能的芯片。”

原文標題：AI和GPU助力芯片設計“駛入”快車道

文章出處：【微信公眾號：NVIDIA英偉達】歡迎添加關注！文章轉載請注明出處。