AI是未來，機器學習是現在。

機器學習（ML）正在成為EDA行業的競爭先決條件。大型芯片制造商正在認可并要求它，大多數EDA公司正在將其部署在設計流程中的一個或多個步驟中，并計劃隨著時間的推移添加更多步驟。

最近幾周，三大 EDA 公司在各自的用戶活動中全面宣布將 ML 納入其工具，整個芯片行業都在朝著類似的方向發展。機器學習非常適合芯片設計。它教機器如何基于模式識別執行特定任務，并且結果通常非常準確。

這與更廣泛的人工智能形成對比，（盡管由于這些術語經常互換使用而引起廣泛混淆）人工智能允許機器更獨立地運行。完整的 AI 需要更多的數據進行訓練，結果通常以概率的形式提供。數據越多，數據越相關，準確性就越好，這就是為什么智能手機和汽車中的人工智能培訓大部分是在超大規模數據中心完成的。

芯片設計中使用的數據量相對較小，問題非常復雜，并且通常是特定于設計的。因此，雖然EDA供應商繼續試驗AI用于各種用途，但最初的實現集中在一個稱為強化學習的子集上。這與監督和無監督學習一起，是三種主要的機器學習方法。強化學習本質上是按比例獎勵行為，對最佳行為的獎勵最高，并根據持續的反饋動態調整該行為。

Siemens Digital Industries Software的 IC EDA 執行副總裁 Joseph Sawicki 說：“想想芯片的物理設計和你對其進行的測試”。“實際上有數十億種模式，你可以將這些模式與它們在某些網段上的位置相關聯等等。然后你得到的測試數據告訴你，‘這個設計失敗了。’?我運行了一些額外的向量并得到了一堆不同的失敗日志，所有這些都告訴我在某些邏輯錐中我失敗了。所以現在我有了一個龐大的電路設計和這些邏輯錐，我可以看看一個神經網絡，它可以被訓練來表明，鑒于這個物理設計，看起來那個邏輯錐是壞的，我的失敗很可能發生在這個領域。然后我可以將其與物理模式相關聯。在一個案例中，我們告訴一位客戶，‘你的 Via 5 鎢沉積發生在這家晶圓廠的這條生產線上，這很糟糕。果然，它不符合規格。’”

這也允許在更短的時間內進行更廣泛的實驗。Synopsys總裁兼首席運營官 Sassine Ghazi 表示：“過去的做法是，通常用戶運行不同的組合，然后他們達到某個 PPA。”“現在，系統正在尋找所有優化空間，并智能地啟動多個作業。有時它會啟動工作，而在 10% 時它會終止它，因為它知道它不會在任何更好的地方領先。然后它備份并啟動一個不同的分支，它說，‘這是我能提供的最好的結果。’”

圖 1：強化學習模型。來源：新思科技

從長遠來看，設計的復雜性遠遠超過了人腦在合理時間內對所有可能的組合和交互進行分類的能力。

是德科技PathWave 軟件解決方案副總裁兼總經理 Niels Faché 表示：“我們使用 AI/ML 進行一些器件建模和表征。”“任何時候當你著眼于優化設計并運行大量模擬時，它都可以使這個過程更加高效。例如，考慮一個 6G 系統，您必須在其中配置不同的通道。標準方法是模擬很多不同的條件，可能需要很長時間才能找到最佳結果。我們可以大大加快這一進程。因此，對于 6G，它將會發揮很大的作用，而這正是我們正在努力的事情。”

同樣，Ansys 正在將其用于創建電網等應用。Ansys產品營銷總監 Marc Swinnen 表示：“這是在平面規劃階段的早期完成的”。“有一些基本問題，比如會有多少條帶子，什么樣的間距，以及這些帶子有多寬？我在拐角處放置了多少個過孔？幾環？這些是基本的架構問題，并且有很多很多可能的組合。我們要使用哪些圖層？我們有一個應用程序，您可以在六個參數中對其進行表征，并計算出最佳間距和最佳過孔密度，從而為您提供最佳功率。熱能也比我們最初預期的來得早。當我們開始研究電熱時，我們正在考慮簽收，但很快就發現人們最關心的是最初的原型設計階段。他們想要快速估計如何組裝這些多管芯系統，甚至是布局規劃，因為如果你一開始就把它的平面布置錯了，最后你只描述了熱特性，然后把兩個非常熱的東西靠得很近，那將是一場災難。很難從中恢復過來，所以它必須在流程的早期發生。”

?熱啟動與冷啟動

強化學習尤其可以顯著幫助設計團隊更快地獲得更好的結果，無論是對于新設計還是該設計的衍生產品。

Cadence總裁兼首席執行官 Anirudh Devgan 表示：“這種新型強化學習的一個關鍵優勢是應用了 EDA 行業以前未應用過的自動化。我們的一位大客戶告訴我，他們認為布局布線是有史以來最復雜的商業軟件。很多這些程序都存在很多復雜性，無論是驗證、布局布線還是模擬。但是 EDA 從未優化過多次運行。所以你運行一次，你得到輸入，你得到輸出。當你進入下一輪時，就沒有知識轉移了。”

知識轉移是強化學習的一大好處。它基本上收集數據并將其存儲在存儲庫中。

Synopsys 負責人工智能和機器學習的副總裁 Thomas Andersen 表示：“很多人的頭腦中都知道某些東西在過去曾奏效。”“當這些人搬到另一家公司時會發生什么？或者當他們在不同的地方并且他們甚至不互相交談時會發生什么？你可能會發現飲水機旁邊的人說，‘嘿，你應該試試這個，因為它能給你更好的動力。’該系統的美妙之處在于它可以學習設計的行為并創建統計模型。因此，下次我對設計進行改進時——這可能是不同的，但也有很多重用——我可以從所有的這些知識開始。”

這就是所謂的“熱啟動”，隨著設計越來越復雜和市場窗口越來越小，它可以縮短上市時間而無需重新設計一切。

“通過冷啟動，您可以從頭開始學習，”Cadence 的 Devgan 說。“可以在公司內部進行熱啟動，它適用于一些公共模塊。這是下一個重用模型。對于普通 IP，您可以在預訓練模型上與代工廠合作。所有數據都在公司里。你挖掘自己的數據。”

該方法建立在可以通過許多設計開始收集的數據之上。“EDA 是使用模式匹配機器學習的完美目標，”Quadric首席營銷官 Steve Roddy 說. “你有類固醇的最小切割算法。你有數十億個東西要放置，你必須盡量減少跨越邊界的電線。為不同的 EDA 工具提供動力的算法已經連續迭代，它們都使用一些復雜的啟發式算法來計算，'如果我要放置所有這些東西，請給我最短的平均導線長度，最少的電線和交叉數量。’當我們有兩層或三層金屬時，這很容易。現在有 14 層金屬，3nm 有 82 個掩模。但是您擁有通過您的工具鏈運行的數千個布局布線作業的歷史記錄。有什么更好的模式匹配和構建某種機器學習的訓練數據庫？因此，對于您獲取的下一組 RTL，?這就是機器學習真正的全部。”

?更多的數據，更多的能力

完整的 AI 離我們更遠，而且更難做到正確。EDA 供應商開始在任何有足夠數據且過程非常耗時以至于值得努力的地方使用它，但到目前為止它的使用是有限的。

Siemens Digital Industries Software 高級工程總監 Jeff Dyck 表示：“如果你對 30 億張圖像進行訓練，你就可以了解山羊的樣子和房子的樣子。”“你需要大量數據才能做到這一點。我們在這里所做的是不同的。我們對某些東西進行模擬的原因是因為我們實際上并不知道它的答案。我們不知道它長什么樣。我們以前從未見過。它是一種新設計，或者可能是基于新流程版本或類似設計的改進設計。所以我們處理它的方式是我們重新開始。我們不會采用舊的設計數據并希望下一件事的表現類似，因為在芯片設計的現實世界中，情況并非如此。因此，對我們所做的大數據集進行培訓并沒有太大幫助。我們確實使用了一些歷史數據，并且有一些有意義的地方，就像您正在對同一設計進行另一次迭代一樣。但如果你正在訓練一大堆東西，并希望下一個以前從未見過的東西看起來像那樣，那就沒那么有用了。”

這不僅僅是關于更多數據。這也是關于好的數據。“我的項目最終意識到他們得到了太多數據，有時他們得到了錯誤的數據，”AMD 技術人員的主要成員在最近的一次小組討論中說。“大多數時候，我們只會獲取數據，進行分析，然后意識到它是多余的。這是無用的數據。有噪音，還有很多其他的東西被亂扔在那里。有時我們最終使用了 20% 的數據，有時甚至更少，而且不完全是所需的形狀和形式。”

這就是今天完全使用 AI 比機器學習更受限制的部分原因。供應商對他們應用 AI 的位置非常有選擇性，如果它有效，將代表芯片設計的巨大轉變。

“人工智能的真正價值在于優化，”Cadence 的 Devgan 說。“人工智能早期的模式匹配很有用，我們做幾何處理和模式匹配。但真正的價值在于決策優化。什么是最好的框架？我們有各種基于梯度的優化方法。但是 AI 允許的是一種非基于梯度的優化，而強化學習允許這種優化，因此我們可以將優化應用于我們從未應用過的事物。”

無論是全人工智能還是機器學習，該行業都有可能發生更根本性的轉變。過去，關于設計中哪些有效，哪些無效的最有價值的數據來自晶圓廠。從那里，它又回到了設計團隊和 EDA 公司，他們經常抱怨他們從未收到足夠的數據。這種情況多年來有所改善，但仍然不平衡。使用 AI/ML，數據需要在兩個方向上流動，并且它可能會以以前被認為不切實際的方式組合。

Sawicki 說：“在物理設計中，我們所做的其中一件事涉及您從工廠車間獲得的缺陷信息。”“現在我想把它聯系起來，了解我的圖像模式是如何與它聯系起來的，從而更多地了解其他模式可能會變壞的情況。這是在與 Calibre 的其他部分相同的工具基礎設施上完成的，例如，用于進行機器學習、OPC 等。因此，您可以圍繞許多不同的應用程序建立一個通用的基礎設施。這并不一定意味著您擁有一個適用于 Calibre 和功能驗證的 AI 引擎。這些是非常不同的問題。但是人們將學習的地方之間有很多互動。”

?結論

區分機器學習（AI 的一個子集）和更大的 AI（在 EDA 中應用要困難得多）非常重要。通常，這些術語可以互換使用，即使在工具名稱中也是如此。但真正的人工智能只是慢慢應用于半導體設計，因為需要時間來弄清楚結果是否足夠準確、一致和可擴展。

半導體設計正變得越來越復雜，并且隨著它進入先進封裝，它也變得更加特定于領域和異構。尋找跨越設計多個部分的模式，然后確定哪些模式適用于其他設計甚至衍生產品，對于 EDA 公司來說是一個巨大的挑戰。但它也需要比目前芯片行業更多的專業知識才能發揮潛力。

“為了將人工智能應用于學習解決方案，您需要知道自己在做什么的人，”AMD 的 Farkash 說。“我們必須教育他們，等他們從學校出來，然后在我們需要去的地方幫助我們。但另一方面，我們不得不害怕那些自以為知道自己在做什么的人。所以這將是最大的挑戰。機會來之不易。我已經研究了許多不同的主題，在這些主題中我應用了機器學習過程，無論我在哪里，我都看到了機會——主要是設計探索、驗證和模擬。它無處不在。”

編輯：黃飛