DSO.ai
由人工智慧驱动的设计应用
瞭解更多 →
人工智慧(础滨)推动晶片设计新领域
本文原文由张贴
英文原文：
如果工程師的爆肝工作量只是一個在網路上瘋傳的迷因就好了。但事實上，工程師們揭露，他們持續面臨使用更少的资源做更多工作的壓力。工程人才短缺一直是持續存在的問題，而隨著職務日益繁複，工作範圍更是與日俱增。雖然摩爾定律的減緩将對部分半導體的進步帶來限縮，但我們身處的數位化世界對於電子产物的需求還是持續提高。
工程師如何设计出符合時下所需的繁複晶片，來因應未來的挑戰呢？
已有一個經過實證的解决方案，不但能提高工程師生產力和晶片的結果品質(quality of results)，甚至可以讓以前不可能完成的工作得以完成。順帶一提，這一切皆來自一種驅使晶片變得更加複雜的技術，也就是人工智慧(AI)。
工程的獨創性帶動具有 AI 技術的聊天機器人、執行手術的機器人和自動駕駛汽車等的進步。同時也提供可減輕重複性晶片设计、验证以及測試工作負擔的解决方案，讓工程師能夠專注在他們最擅長的事情：創新。
憑藉用於晶片设计屢獲殊榮的 Synopsys DSO.ai? AI 應用程式，新思科技引領技術創新，推出業界首款全面性以AI 驅動的電子设计自動化(EDA)设计套件，包括已可供使用的功能验证(Synopsys VSO.ai)解决方案和晶片測試(Synopsys TSO.ai)解决方案，以及即将推出的其他諸多功能。率先使用Synopsys.ai 技術的客戶回報驚人的結果，在減少功能覆蓋漏洞方面效能提升 10 倍， IP 验证效率也提高 30%。與此同時，DSO.ai 近期達成首批 100 次商用投片(tape-out)，更是奠定重要的里程碑，宣示 AI 已躋身半導體主流。
利用础滨处理贰顿础工作流程中重覆性手动任务
在当前全球经济充满不确定性的情况下，半导体产业竞争更是前所未见的激烈。这些因素增加半导体对於功耗、效能和面积(笔笔础)取得更好结果的需求。得以用更低的成本加速优化前述各项指标的公司，有更高的机会成為产业顶尖主流。随着适应当今的经济现实面，半导体公司存在潜在的人员配置压力，预计半导体工程人才短缺将会為产业发展造成阻碍。根据所言，在 2030 年前，美國半導體设计產業可能面臨 23,000 名半導體工程師人才短缺。
以AI 驅動的 EDA 设计套件為完善和強化工程團隊工作內容，提供了一個前進的方向。根據 Deloitte 全球的資料，的花費上，将達 3 億美元；這項支出預計在未來四年将逐年增長 20%。一家分析公司在一篇文章中指出：「AI 设计工具讓晶片製造商能夠打破摩爾定律，節省時間和經費，緩解人才短缺問題，甚至可以将以前的晶片设计方法論導入現代晶片的设计流程中。同時，這些工具可以提高供應鏈的保障，並有助於緩和下一波晶片短缺問題。」
在每個晶片设计中都存在著耗時且重複的工作，有些甚至顯得多餘，但對晶片的品質而言卻是不可或缺的。AI 技術可以處理並改善设计空間探索、验证覆蓋率及生成測試向量(test pattern)等這類重複性的工作，為工程團隊節省可觀的時間，讓设计工程師可以專注在具有附加價值的工作上；例如，讓产物更具差異化，以及可以快速研發新功能或衍生设计。AI 技術讓團隊得以實現嚴苛的上市時程目標，並在既有资源條件下完成更多專案項目。新加入的工程師與經驗豐富的老手都可以從 AI 中受益，AI技術可以讓新加入的工程師縮短提升工作能力的時間；有經驗的老手則能更快地實現更佳的結果品質。舉例來說，在指定專案中工程師監督晶片品質的同時，Synopsys.ai可以負責處理重複性工作，並針對重複性工具的結果採取行動；相較於由工程師單獨操作的產出，與AI協力可以更快完成品質更好的結果。
以更智能的晶片解决繁复的挑战
從晶片设计日益增加的複雜度到先進製程節點的要求，乃至於橫跨多個垂直領域，包括 CPU、行動電話、GPU、汽車與 AI等不斷縮減的功率預算，晶片设计工程師面臨著眾多的挑戰。舉例來說，無論是在邊緣裝置或是資料中心的伺服器裡，AI 晶片皆須建構許多運算單元來處理複雜的演算法與龐大資料。優化如此繁複的晶片设计以實現 PPA，並確保晶片按照其所應執行的方式順利運作，是一項龐大的工作；而對设计工程師而言，這項工作變得越來越具有挑戰性。
這就是 Synopsys.ai解决方案改變晶片设计格局之"處。接下來，針對Synopsys.ai 目前可用的組成部份詳細說明。
DSO.ai 奠定基礎
DSO.ai 是 AI 在晶片设计實作的顛覆性應用。DSO.ai可以自動搜尋设计空間，以得到最佳PPA。藉由将 AI 應用於晶片设计的工作流程，DSO.ai有利於大量探索可能選項，而這在以前是做不到的。
DSO.ai 為晶片设计技術創造一個持續建構訓練資料的機會，並應用所學知識，最終目標是加速投片(tape-out)並實現 PPA 目標。另一個 AI 的關鍵優勢是有助於重複使用：從一個專案項目獲得並保留下來的學習知識，可以用於未來的專案項目，進而大幅提高设计程序的效率。由於DSO.ai解决方案也能在雲端使用，客戶可以仰賴雲端更大的靈活度、可擴展性與彈性等優勢，來處理大量的工作負載。根據採用DSO.ai的客戶回饋，其提高 3 倍以上生產力，功耗降低達 15%，而晶片尺寸亦大幅縮小。圖 1 分享 DSO.ai 在高效能資料中心 CPU 中的應用結果。
VSO.ai 簡化最後一哩路的任務
VSO.ai 幫助验证工程師更快地實現覆蓋率收斂目標，並找出更多錯誤。可執行數位化设计的设计狀態空間的數量幾乎是無限的，因此，光靠人力來檢查所有空間以確認设计是否能按照其所應執行的方式順利運作，幾乎是不可能的。執行迴歸(regression)分析程序長達數天，需進行數千次測試且耗盡大量運算资源。一般來說，验证收歛的最後一哩路，是非常耗費人力的，不僅要針對龐大的資料進行手動分析，產出的可行性見解也是有限的。
VSO.ai重振這個過程。VSO.ai 檢查 RTL 以推斷覆蓋率，同時亦彰顯覆蓋率所需範圍，進而節省可觀的時間並確保測試的高投資回報率(ROI)。，使用 Synopsys VCS? 功能验证解决方案(即 Synopsys.ai 的一部分)的 AI 驅動验证，在減少功能覆蓋漏洞方面的改善成果達到高達 10 倍的提升，同時在IP 验证效率上也達到 30%的提升。
技术白皮书下载
歡迎下載技術白皮書，瞭解更多關於VSO.ai如何透過人工智慧驅動验证，加速覆蓋收斂目標。
TSO.ai 取得平衡
日益增加的晶片设计複雜度與尺寸也加劇晶片測試程序的負擔。在評估自動化測試向量生成(ATPG)工具的結果時，需要考量三個關鍵指標：
- 缺陷覆盖率
- 测试向量的数量：与测试成本直接相关
- 执行时间
傳統上，優化其中一個指標(通常透過手動優化)會對其他指標產生負面影響。剛接觸 ATPG 的人可能不太瞭解如何調整工具以產生所需的程式結果。
反之"，經驗豐富的人又可能帶有偏見，導致他/她設定工具以獲得特定的結果，而這個結果對於新的设计來說可能不是最佳結果。TSO.ai取得平衡，藉由执行多个 Synopsys TestMAX? ATPG 先進測試解决方案來自動產生測試程式，進而提高缺陷覆盖率、減少測試向量，並縮短取得結果的時間。
掌握 AI - 化不可能為可能
将AI應用於晶片设计與生俱有的優勢之"一是工具會隨著不同设计不斷學習，然後日益優化。這對晶片设计領域以及每位仰賴電子产物的人來說是個好消息。AI 讓晶片设计工程師能夠加速具備正確規格的適當晶片上市時程，並研發更複雜的系統來解決晶片设计領域的繁複問題。