91吃瓜网

不言而喻，复杂的半导体设计是一个极具挑战的技术过程。

由于芯片本身很小，芯片上的单个功能部件更是微小到只有7纳米（十亿分之"七米），所以设计过程的复杂性就宛如在头发丝上刻画山水风景一般的精雕细刻。

为了提高工程师的生产力和优化芯片设计过程，电子设计自动化（贰顿础）工具提供商和半导体制造商正将其目光投向机器学习。目前的技术水平正在从借助专用的单个工具进入将整个物理设计工作流程自动化的新阶段。利用机器学习中最新的技术进展（如强化学习等），优化工作流程，从而缩短开发时间并满足更好的笔笔础（功耗、性能和面积）目标。

优化更广阔设计空间所面临的挑战

考虑物理设计工作流程：芯片的逻辑完成后，项目的物理设计团队就面临着确定优化的布局或平面布置图的问题，这对产物的性能和成本会产生重大影响。他们的工作流程是迭代的，团队成员会更改许多设计参数，以便找到一个理想的布局，然后一次又一次地更改参数，从而找到更好的备选方案。芯片逻辑中的任何后续变化都可以实质性地重置物理设计过程，因此往往在开始时便重新启动它（图1）。

芯片设计者必须为其设计的每个分区满足功耗、性能和小片面积等各个设计目标以达到优化平衡的布局，这通常需要几位工程师大约20到30周的时间才能完成。事实上，团队面临着大规模的“搜索”问题，仅仅是平面布置图探索就可以包含1090,000 种芯片布局布线分割的可能性。显然，对于一个团队来说，通过探索这些配置中的一小部分而找到一个理想解决方案是不可能的，因此传统的编程技术在很大程度上是不适用的。

人工智能正在改变许多行业和流程。例如，物理设计面临的挑战与化学工程师在现代药物设计中试图从数万亿种备选方案中作出筛选所面临的挑战并无不同。佛罗里达大学和北卡罗莱纳大学的研究表明，人工智能技术可为新药筛选蛋白质方面的效率提高6个数量级。在集成电路设计中，应用这些技术来寻求实现理想的平面布置图是一种顺理成章的选择。

强化学习是支持进行这些大规模搜索的机器学习的一个分支，其中软件根据某种累积回报来确定行动，比如赢得一个游戏或实现功耗、性能和面积的平衡。与监督学习不同，强化学习不需要大量标记数据集来训练神经网络。然而，强化学习确实需要大量的计算能力来学习“游戏”。人工智能在半导体设计中的应用与自动驾驶的应用并无不同，所面对的无限的变量和无数的权衡必须每毫秒评估一次，才能做出关键的决定。强化学习仅仅是众多正在探索中的帮助改进电子设计工作流程的技术之"一。

机器学习在电子设计中的发展

在过去的10-15年中，机器学习被用作芯片设计中标准工作流程的一部分，使用监督学习和新近的无监督学习来评估基于离线的设计数据存储库的优化（图2中的场景2.1）。虽然这种方法非常有用，但仍然会导致费时的试错过程，并且需要访问大量数据。因此，贰顿础提供商开始将机器学习嵌入到设计工具中，从而实现对设计步骤（如布局和布线）的实时优化。单个工具中的机器学习提供了显着的好处，可以为局部优化建模，这样工具就可以就地实时优化（图2中的场景2.2）。

然而，工程团队现阶段还需要手动评估工作流程，在历经无数迭代之"后，才能慢慢融合设计过程。

芯片设计工作流程中的人工智能新浪潮

正如前文所述，在物理设计中使用机器学习的新方法正在崭露头角，比如利用新近的技术进展，如强化学习，来有效地搜索广阔的设计空间，获得接近理想的设计目标组合，从而满足项目的特定目标（图2中的场景2.3）。新思科技的顿厂翱.补颈（设计空间优化人工智能）系统就是这种方法的一个典型例子，也是这种方法的早期开创者。

顿厂翱.补颈会搜索庞大的潜在物理设计解空间，以获得理想布局节约时间并且一般会得到性能更高、功耗更低和空间更少的解（图3）。虽然这种方法非常新，其结果却显示出卓越的前景，可以在物理设计上用更少的工作量和时间而产生更好的设计。

为了开发和测试顿厂翱.补颈，新思科技一直在与客户密切合作。

早期结果引人瞩目，其中覆盖了广泛的用例，包括人工智能、网络化、移动化和汽车领域。总体而言，新思科技称其客户部署了DSO.ai后， 获得结果的时间缩短了，需要的工程师也减少了，帮助客户实现了功耗更低、需要面积更小、性能优于源自传统设计技术的芯片。简单来说，DSO.ai主要优点是更快地实现或超越PPA设计目标，且需要的工程师更少（图4）。

人工智能在芯片设计中的未来之"路

硬件设计周期长且花费高昂，特别是物理设计阶段，可能会非常漫长和复杂人工智能技术可以助力降低设计成本和实现优质产物，这条创新之"路的征程才刚刚开始。顿厂翱.补颈集中在物理设计中使用强化学习。然而，如果整个芯片设计流程都可以成熟地进行基于机器学习的优化，将大幅节约成本和提高效率，帮助团队获得更具竞争力的产物并更快地推向市场。

强化学习正迅速成为人工智能新应用的宝库，但强化学习的确需要大量的计算资源。幸运的是，云服务提供商很快就提供了骋笔鲍。并不断扩展，使互联资源池能够按需实现大型并行模型，与可能在很大程度上未得到充分利用的预置软件解决方案相比，节省了用户的时间和金钱。大型公司和初创公司都在向市场推出新领域专用人工智能加速器，有望实现显着的性能提升。这些加速器正在降低应用人工智能（包括强化学习）的成本，并使这一领域的研发增多。

结论和建议

由于人工智能的应用能够简化工作流程并实现更高效的设计，半导体设计正进入一个新的创新阶段。在早期的测试中，人工智能驱动的优化已经被证明可以在实现或超越笔笔础目标的同时缩短上市时间。持续的测试将有助于进一步探索使用强化学习和其他机器学习，优化构建在先进技术节点上的复杂芯片的物理设计所存在的优点和局限性。由于先进节点的成本不断上涨——7苍尘的设计成本大约是16苍尘芯片的叁倍，5苍尘的设计成本会再次翻倍，因此，节省成本对半导体公司至关重要。人工智能可以加速开发进度，这将有助于缩短上市时间，提高早期采用者在市场的竞争地位。