很難想象人工智能不是硅芯片設(shè)計流程的一部分。由于智能現(xiàn)已集成到設(shè)計、驗證、測試和其他關(guān)鍵階段，工程師正在體驗生產(chǎn)力優(yōu)勢以及人類在典型項目時間表下無法單獨完成的結(jié)果。

我們是怎么到這里來的？我們該何去何從？

這些只是 Synopsys AI 架構(gòu)師小組在今年圣克拉拉舉行的 SNUG 硅谷 2023 會議上思考的幾個問題。該小組名為“人工智能設(shè)計業(yè)的興起——迄今為止的旅程和未來之路”，匯集了來自不同業(yè)務(wù)領(lǐng)域的專家，分享了迄今為止各自領(lǐng)域人工智能增強(qiáng)功能的概述，以及對接下來可能發(fā)生的事情的想法。Synopsys AI 戰(zhàn)略和系統(tǒng)團(tuán)隊的高級經(jīng)理兼 SNUG 硅谷 AI 賽道負(fù)責(zé)人 Geetha Rangarajan 分享說，該小組的主要目標(biāo)是討論 AI 如何幫助我們重新思考系統(tǒng)設(shè)計多個領(lǐng)域的“難題”，并激勵與會者創(chuàng)造性地思考利用 AI 驅(qū)動解決方案的可能性。請繼續(xù)閱讀，了解討論的亮點。

簡化復(fù)雜的芯片設(shè)計工作流程

隨著時間的推移，人工智能簡化了復(fù)雜的芯片設(shè)計工作流程，優(yōu)化了越來越大和復(fù)雜的搜索空間。事實上，Synopsys 等解決方案 DSO.ai? 使用強(qiáng)化學(xué)習(xí)來大規(guī)模擴(kuò)展設(shè)計工作流程選項的探索，從而縮短設(shè)計時間，同時增強(qiáng)功耗、性能和面積 （PPA）。

來自Synopsys AI戰(zhàn)略和系統(tǒng)團(tuán)隊的杰出架構(gòu)師Joe Walston提出了一個問題：AI可以幫助工程師解決整個系統(tǒng)堆棧中的復(fù)雜問題嗎？從計算設(shè)備到設(shè)備再到飛機(jī)，現(xiàn)代系統(tǒng)涵蓋了廣泛的應(yīng)用。系統(tǒng)堆棧包括可能從 AI 中受益的軟件和硬件（物理）組件。有工作負(fù)載驅(qū)動的軟件，旨在處理與用戶、外部環(huán)境和系統(tǒng)內(nèi)其他組件的通信、數(shù)據(jù)處理和接口。然后是軟件驅(qū)動的架構(gòu)：硬件子系統(tǒng)旨在提供軟件所需的內(nèi)容（無論是機(jī)械、光學(xué)、半導(dǎo)體、電源還是傳感器）。

系統(tǒng)堆棧的每一層都有許多相應(yīng)的問題需要回答。例如，在半導(dǎo)體子系統(tǒng)中，最先進(jìn)的SoC包括多個處理器、復(fù)雜接口IP、數(shù)字/模擬邏輯、存儲器等。設(shè)計人員面臨著多種工作流程優(yōu)化挑戰(zhàn)，從微架構(gòu)選擇到平面圖優(yōu)化，再到物理設(shè)計、測試和制造方面的選擇。同樣，對于光學(xué)子系統(tǒng)，設(shè)計人員必須圍繞嵌入式電路、透鏡、探測器和光源做出決策。沃爾斯頓說，人工智能可以幫助重復(fù)的勘探工作，使工程師能夠更快地實現(xiàn)目標(biāo)。

實現(xiàn)更快的驗證周轉(zhuǎn)時間

該公司EDA集團(tuán)的Synopsys科學(xué)家Badri Gopalan提供了功能驗證方面的觀點。作為背景，他指出，驗證復(fù)雜性的增長速度快于摩爾定律。在當(dāng)今的SoC中，有很多東西需要驗證：所有的邏輯，跨多個維度（如性能和功耗）的所有組合。驗證工程師如何發(fā)現(xiàn)更多錯誤，而這些錯誤恰好也更復(fù)雜？而且做得比以往任何時候都快？同時保持所需的結(jié)果質(zhì)量和結(jié)果成本？

正如Gopalan解釋的那樣，在RTL應(yīng)用傳統(tǒng)的驗證解決方案通常會使工程師接近100%的覆蓋率。靜態(tài)驗證可能會發(fā)現(xiàn)大約 10% 的錯誤，盡管結(jié)果可能非常嘈雜，并且過程非常手動和費力。形式驗證可以檢測到另外 20% 的錯誤，模擬可能會發(fā)現(xiàn)另外 65% 的錯誤。仿真還涉及大量的手動工作，需要花費大量時間來調(diào)整測試平臺的約束和編寫手動測試。

在 2023 年 SNUG 硅谷大會上宣布的全新 Synopsys VSO.ai AI 驅(qū)動的驗證解決方案，通過識別和消除回歸中的冗余、自動化覆蓋根本原因分析以及從 RTL 和刺激中推斷覆蓋范圍，以確定覆蓋范圍差距并提供覆蓋范圍指導(dǎo)，幫助驗證團(tuán)隊更快、更高質(zhì)量地實現(xiàn)收尾。

最大限度地減少測試模式數(shù)量，同時增加覆蓋范圍

半導(dǎo)體測試是另一個受益于人工智能的領(lǐng)域。在硅制造過程中，測試工程師必須驗證設(shè)計是否無缺陷，并且將按預(yù)期工作。內(nèi)存內(nèi)置自檢 （BIST）、壓縮 IP 和邏輯測試結(jié)構(gòu)是可用于測試邏輯的解決方案。傳感器也發(fā)揮著重要作用。通常，收集的數(shù)據(jù)會被分析并循環(huán)回整個設(shè)計周期以進(jìn)行改進(jìn)。

每一步，都需要對要優(yōu)化的參數(shù)做出決策。目標(biāo)是使用盡可能少的測試模式進(jìn)行測試以管理成本，Synopsys硬件分析和測試工程副總裁Fadi Maamari解釋說。在 2023 年硅谷 SNUG 大會上，新思科技宣布了一款使用 AI 優(yōu)化測試模式生成的新產(chǎn)品：新思科技 TSO.ai。TSO.ai 旨在 減少 所需 的 測試 模式 數(shù)量， 同時 增加 覆蓋 率 并 縮短 自動 測試 模式 生成 （ATPG） 周轉(zhuǎn) 時間， 可 智能 地 自動 執(zhí)行 ATPG 參數(shù) 調(diào)優(yōu)， 推動 一致 的、 針對 特定 設(shè)計 的 結(jié)果 質(zhì)量 優(yōu)化， 并 顯著 降低 測試 成本。

通過 AI 解鎖新機(jī)遇

人工智能目前只是觸及了電子設(shè)計領(lǐng)域可能產(chǎn)生的影響的表面。SNUG 硅谷 2023 的小組成員一致認(rèn)為，隨著自然語言模型的興起，例如 ChatGPT 等人工智能聊天機(jī)器人中的自然語言模型，以及人工智能提供的其他機(jī)會，現(xiàn)在是進(jìn)入該行業(yè)的激動人心的時刻。在推進(jìn)自主設(shè)計、驗證和測試方面還有更多工作要做，還有更多領(lǐng)域需要增強(qiáng)。強(qiáng)大的電子設(shè)計自動化 （EDA） 技術(shù)與緊密集成的機(jī)器學(xué)習(xí)驅(qū)動循環(huán)相結(jié)合，可以成為一股強(qiáng)大的力量，使工程師能夠完成比以往更多的工作。

“隨著轉(zhuǎn)向FinFET節(jié)點，新的問題正在出現(xiàn)，”Synopsys Circuit Design&TCAD Solutions杰出架構(gòu)師Vuk Borich說。“雖然芯片更密集、更小，而且數(shù)量更多，但有一些規(guī)律性、一些模式和一些適合人工智能的東西。因此，我們預(yù)見到會有大量的創(chuàng)新。

僅看模擬設(shè)計，就可以確定可以從智能注入中受益的領(lǐng)域。正如鮑里奇所強(qiáng)調(diào)的：

必須執(zhí)行數(shù)十億次蒙特卡羅模擬來評估過程可變性。有沒有辦法使用人工智能減少這些模擬的時間和成本？

提取寄生效應(yīng)數(shù)小時或數(shù)天。面對數(shù)百個設(shè)計參數(shù)和更長的迭代，人工智能能否縮短模擬設(shè)計收斂時間？

布局代表了大量的手動工作：人工智能能否簡化這一過程，尤其是在從事這項工作的人才供應(yīng)有限的情況下？

除了電子系統(tǒng)之外，人工智能可以用更少的設(shè)計師干預(yù)加速融合的另一個領(lǐng)域是光學(xué)設(shè)計。光學(xué)設(shè)計是成像、汽車照明和光子 IC 等應(yīng)用的關(guān)鍵使能技術(shù)。這些應(yīng)用非常復(fù)雜，需要考慮大量變量和公差，這些變量和公差過去是用特殊工具處理的。人工智能有可能開啟共同優(yōu)化專業(yè)算法的新機(jī)會，光學(xué)解決方案團(tuán)隊的Synopsys科學(xué)家William Cassarly解釋說。人工智能允許探索大部分設(shè)計空間，為現(xiàn)有算法提供新的起點，并減少處理離散案例所涉及的工作量。此外，人工智能提供了在完全不同的用例之間實現(xiàn)知識轉(zhuǎn)移的潛力，允許經(jīng)驗不足的設(shè)計師產(chǎn)生可能只有具有豐富經(jīng)驗的設(shè)計師才能考慮的結(jié)果。

隨著我們接近系統(tǒng)級別，硬件和軟件團(tuán)隊之間的孤立知識使得啟動成為一項復(fù)雜且昂貴的工作。系統(tǒng)級可見性和自動化根本原因分析是加快上市時間的關(guān)鍵。Synopsys Systems Design Group的高級研發(fā)工程師Rachana Srivastava指出，人工智能可以實現(xiàn)自動化的系統(tǒng)級根本原因分析。在基于事件的知識圖譜中映射數(shù)據(jù)可以提供整個系統(tǒng)的可見性。在此數(shù)據(jù)上應(yīng)用機(jī)器學(xué)習(xí)模型可以生成預(yù)測和信息挖掘的反饋循環(huán)，以生成更好的硅結(jié)果。

激動人心的時刻確實即將到來，因為工程師們正在設(shè)計新的方法，將人工智能和機(jī)器學(xué)習(xí)應(yīng)用于整個系統(tǒng)堆棧的工作流程。滿足下一代應(yīng)用的PPA和上市時間目標(biāo)的設(shè)計只會變得更加復(fù)雜。人工智能可以提供工程團(tuán)隊所需的生產(chǎn)力提升，同時幫助他們實現(xiàn)以前無法想象的成果。

審核編輯：郭婷