今天是世界環境日，一個提醒我們關注我們的土地，我們的未來的日子。能源利用效率是可持續發展的關鍵所在。萬物智能時代，海量數據的處理和人工智能技術的快速發展，給全球能源供給帶來前所未有的壓力。

據統計，數據中心和數據傳輸網絡消耗了全球約1%的電力。人工智能日益普及，神經網絡和大語言模型對底層硬件和軟件基礎架構的需求將急劇攀升。對于未來幾年的電力影響，各方預測不盡相同。極端的預測是：能源消耗最終將超過全球電力供應。

無論哪種預測是正確的，超大規模數據中心的能耗都是必須要立即處理的迫切問題。那么，如何在不影響性能目標的前提下，為高性能計算（HPC）應用構建更節能的SoC呢？

本文將重點介紹為什么在一開始就解決設計的能效問題至關重要。我們還將進一步討論有關低功耗設計的工具和技術。

追求優異的性能功耗比

云計算和AI模型正日益占據主導地位,實時數據處理和分析已成為許多應用不可或缺的功能。以配備高級駕駛輔助系統（ADAS）的車輛為例，它們需要依賴實時處理和分析來確保關鍵安全功能可以正常發揮作用，比如盲點檢測和自動制動。海量數據（更不用說更大的AI模型）需要強大的算力，這已成為一個不可回避的事實。

一直以來，HPC應用非常看重性能表現。然而，隨著對電網停電等不利事件的擔憂與日俱增，人們越來越關注性能功耗比。正因為如此，我們開始注意到大家對全面提升能效的興趣愈發濃厚。在某些情況下，性能會受到功耗或能耗的限制。有時，系統無法以目標速度運行，原因就在于其功耗太大。鑒于此，如果可以降低設計的能耗，并確保系統處于其功耗限制范圍內，那么就有機會提高系統的運行速度，使其接近其性能極限。

但問題是，若是等到設計過程的最后階段才考慮解決能效問題，往往已經來不及，因為到那時，架構已經定義好，許多設計決策已做出，其間的每一個決策都會對功耗產生影響。在物理實現過程中，有時確實可以從設計中壓榨出一些功耗，但收效甚微。

我們需要的是一種整體左移思維，即設計團隊首先要定義：高能效的架構應該是什么樣子？需要什么類型的IP，應選擇數字信號處理（DSP）內核，還是用于特定功能的硬件加速器？系統應該運行多快？能否在適當的時候關閉設計的某些部分？是否可以降低時鐘頻率來節省功耗？內存子系統應采用怎樣的架構？芯片應該采用什么樣的工藝技術來設計？以上僅列舉了與設計功耗相關的一小部分關鍵問題。

現在許多開發者會根據實際應用的工作負載來評估能耗，這確實是一種明智的方法。分析功耗曲線可以捕獲降低功耗的相關線索，比如修改微架構、優化軟件/硬件等等。幸運的是，現在有很多工具可以實現這一點。以AI初創公司SiMa.ai為例，該公司開發了一個專門的軟件優先平臺，可以在嵌入式邊緣擴展機器學習（ML）。在2023年SNUG硅谷大會上，SiMa.ai重點介紹了如何使用硬件加速驅動型功耗分析來優化其設計的硬件架構、軟件和編譯器，從而將性能功耗比提高2.5倍。

在AI/ML設計和那些需要大量數據處理的設計中，毛刺功耗，即由于不必要的轉換或冗余活動而浪費的功耗，可能占到設計總功耗的25%。RTL到門級毛刺功耗分析和優化解決方案可以協助識別毛刺功耗的源頭，讓開發者了解這些源頭產生了多少毛刺功耗。雖然AI應用對功耗提出了更高的需求，但AI驅動型電子設計自動化（EDA）解決方案可以協助優化功耗、性能和面積。將來，也許可以應用AI來創建更節能的RTL代碼，或是協助定義/改進設計的架構。

低功耗芯片設計之路

一直以來，開發者往往需要通過更先進的工藝技術來改善功耗。但隨著摩爾定律趨近極限，開發者把注意力轉向了新材料。光子IC利用了光的特性，諸多實踐已證明其能夠提高帶寬和速度，同時降低功耗和延遲。對于AI聊天機器人和其他HPC應用，光子IC有望成為未來的前進方向。與此同時，對氮化鎵、碳化硅等半導體替代材料的探索也將帶來一些選擇。

總的來說，每一個看似微小的決定都會對芯片的整體功耗產生深遠影響。從探索新材料和設計技術，到改善設計和驗證工具，研發工作還有著非常大的發展空間。在設計之初就將能效考慮在內是一個良好的開端。為了幫助開發者實現更節能的SoC，新思科技提供了面向低功耗設計的端到端解決方案，其中涵蓋設計、驗證和IP等多個方面。

現代精英人才不斷引領創新，為我們帶來了ChatGPT、自動駕駛汽車和工業機器人等前沿技術。然而，全球電力需求正迅猛增長，我們仍迫切依賴于開發者的智慧與才能，探索更多降低芯片功耗的有效方法。節能SoC將在今后的世界中變得越來越重要。