隨著人工智能最近幾年的進(jìn)步，如何將人工智能應(yīng)用到芯片設(shè)計(jì)也成為了一個(gè)半導(dǎo)體行業(yè)熱門的話題。而隨著相關(guān)討論的展開，人工智能對于芯片行業(yè)賦能的切入點(diǎn)也越來越多地聚焦在了EDA領(lǐng)域，即如何利用人工智能強(qiáng)大的能力來幫助更高效地實(shí)現(xiàn)芯片設(shè)計(jì)、驗(yàn)證和測試。人工智能從2016年開始騰飛以來，有兩個(gè)標(biāo)志性的事件，即使用強(qiáng)化學(xué)習(xí)模型并擊敗李世石的AlphaGO，以及最近橫空出世，基于大語言模型技術(shù)的ChatGPT。有趣的是，這兩個(gè)技術(shù)也恰恰是人工智能為為EDA賦能的關(guān)鍵技術(shù)。

　　在EDA領(lǐng)域，人工智能得到最多關(guān)注的領(lǐng)域是如何實(shí)現(xiàn)設(shè)計(jì)的優(yōu)化。這里的設(shè)計(jì)優(yōu)化，指的是如何在一個(gè)搜索空間巨大的設(shè)計(jì)空間中，高效地搜索到最優(yōu)解。這里的具體任務(wù)可以包括最優(yōu)布局布線，以及驗(yàn)證和測試的輸入組合等。

　　對于這些問題的人工智能解決方案，目前工業(yè)界大致又可以分為兩類。第一類是規(guī)模足夠大并且自身就有強(qiáng)大人工智能研發(fā)能力以及芯片設(shè)計(jì)流程定制化能力的巨頭。這類巨頭公司可以有能力自主研發(fā)相關(guān)的人工智能技術(shù)并且應(yīng)用在自研的芯片設(shè)計(jì)流程中，以改善設(shè)計(jì)流程的效率和芯片質(zhì)量。在這類公司中，最具有代表性的就是谷歌。谷歌擁有全球最領(lǐng)先的人工智能團(tuán)隊(duì)，同時(shí)也擁有自研的芯片TPU，最關(guān)鍵的是谷歌的團(tuán)隊(duì)還非常熱衷于將人工智能應(yīng)用在各種新的應(yīng)用場景，因此谷歌使用人工智能來提升芯片設(shè)計(jì)也是情理之中。根據(jù)谷歌發(fā)表在頂級期刊《Nature》上的論文《A graph placement methodology for fast chip design》，我們知道它已經(jīng)應(yīng)用了人工智能來大幅改善自研芯片布局布線的能力，其使用強(qiáng)化學(xué)習(xí)模型的布局布線算法實(shí)現(xiàn)的性能已經(jīng)超越了人工布局布線的結(jié)果，最關(guān)鍵的是該技術(shù)已經(jīng)使用在了多代谷歌TPU中。換句話說，谷歌使用人工智能來設(shè)計(jì)自研的人工智能芯片（TPU），從而用來進(jìn)一步訓(xùn)練更強(qiáng)大的人工智能來設(shè)計(jì)更下一代的人工智能芯片——這樣的正向循環(huán)目前看起來至少在谷歌這邊已經(jīng)是初見端倪。

　　除了谷歌之外，Nvidia在人工智能布局布線技術(shù)上也有了不少積累，其研究團(tuán)隊(duì)上個(gè)月發(fā)表的研究結(jié)果表明，其自研的人工智能算法DREAMPlace/AutoDMP可以在短短2.5小時(shí)內(nèi)完成256核RISC-V處理器的布局任務(wù)，其性能并且超越了其他的相關(guān)算法。當(dāng)然，這里的人工智能模型是運(yùn)行在了Nvidia強(qiáng)大的多卡GPU服務(wù)器上面，雖然Nvidia并沒有明確表示這個(gè)自研人工智能布局算法的商用化情況但是我們認(rèn)為當(dāng)它足夠成熟后非常有希望能改善下一代Nvidia GPU的設(shè)計(jì)效率和質(zhì)量。

　　除了自研芯片和AI算法的巨頭之外，另一個(gè)業(yè)界相關(guān)領(lǐng)域有重要?jiǎng)幼鞯木褪莻鹘y(tǒng)的EDA廠商。無論是Cadence還是Synopsys都已經(jīng)宣布大力投入人工智能研發(fā)數(shù)年之久，而在最近Cadence 和Synopsys都有相關(guān)的產(chǎn)品發(fā)布。在不久前舉辦的SNUG 2023上，Synopsys發(fā)布了稱為Synopsys.ai的由人工智能驅(qū)動的新一代EDA工具，其中包括了用于優(yōu)化設(shè)計(jì)的DSO.ai，用于高效生成驗(yàn)證向量并提高debug效率的VSO.ai，以及用于生成測試向量的TSO.ai。根據(jù)Synopsys的官方數(shù)據(jù)，DSO.ai主要用于提升設(shè)計(jì)空間的優(yōu)化從而實(shí)現(xiàn)PPA的提升，目前已經(jīng)有160個(gè)使用DSO.ai流片的芯片，DSO.ai可以實(shí)現(xiàn)多達(dá)15%的功率降低，并可以大大降低設(shè)計(jì)時(shí)間（多達(dá)三倍）。而使用VSO.ai和TSO.ai，用戶也可以大大降低驗(yàn)證和測試所需要的時(shí)間并提升效率。Cadence則也在四月初發(fā)布了Allegro X，其中的人工智能特性可以自動高效生成PCB設(shè)計(jì)的布局和關(guān)鍵信號的布線，從而減少設(shè)計(jì)時(shí)間。

　　如果說設(shè)計(jì)/驗(yàn)證優(yōu)化是傳統(tǒng)EDA工具最關(guān)注的領(lǐng)域的話，那么另一個(gè)重要但是并沒有在傳統(tǒng)EDA工具中得到足夠重視的就是設(shè)計(jì)輸入，尤其是數(shù)字邏輯設(shè)計(jì)相關(guān)的RTL代碼編寫輔助。這個(gè)領(lǐng)域之前一直被認(rèn)為使用任何一個(gè)文本編輯器都可以做，因此一直不在EDA公司的視野之內(nèi)；但是最近，隨著大語言模型的火熱以及使用大語言模型為Python等計(jì)算機(jī)代碼編寫提供輔助的copilot得到越來越多的應(yīng)用，事實(shí)上在RTL代碼編寫中使用類似的copilot技術(shù)也正在成為一個(gè)潛在的熱門方向。Copilot技術(shù)根據(jù)用戶編寫代碼的上下文自動提示和補(bǔ)全可能的代碼，從而減少用戶需要輸入的代碼量并且減少用戶代碼編寫過程中出現(xiàn)bug的可能性，從而大大增加用戶代碼編寫的效率，未來隨著能力的提升甚至可以越來越多地自動完成RTL代碼編寫，從而用戶只需要給出一個(gè)簡短的提示（prompt），人工智能就可以給出一份代碼草稿供用戶使用。

　　綜上，目前EDA行業(yè)已經(jīng)正式進(jìn)入了AI時(shí)代，未來我們可望看到更多人工智能賦能的EDA出現(xiàn)。

　　人工智能EDA背后的核心技術(shù)

　　如前所述，人工智能賦能EDA背后的核心技術(shù)分別是兩大里程碑式的技術(shù)，即強(qiáng)化學(xué)習(xí)和大語言模型。

　　首先，強(qiáng)化學(xué)習(xí)主要用于EDA中的優(yōu)化問題，包括最有布局布線，以及測試/驗(yàn)證向量生成等。這類問題的主要挑戰(zhàn)點(diǎn)在于參數(shù)的優(yōu)化空間巨大，如果使用暴力搜索遍歷所有可能的參數(shù)組合并不現(xiàn)實(shí)（例如在布局問題中，每一個(gè)設(shè)計(jì)中的邏輯門都可以放在幾乎版圖上的任何地方，對于目前邏輯門數(shù)量規(guī)模輕易就上數(shù)千萬的設(shè)計(jì)來說暴力搜索恐怕等到地球上的生物滅絕也無法完成）。

　　傳統(tǒng)EDA使用的是啟發(fā)式的算法例如退火算法，應(yīng)當(dāng)說這類算法是取得了巨大的成功，它將布局布線問題的計(jì)算時(shí)間變得可控，從而創(chuàng)造了今天芯片領(lǐng)域的繁榮。啟發(fā)式算法的主要優(yōu)勢是計(jì)算速度較快，對于計(jì)算需求量較小，但是未必能找到全局最優(yōu)的設(shè)計(jì)參數(shù)。另一方面，強(qiáng)化學(xué)習(xí)的主要原理是從數(shù)據(jù)中學(xué)習(xí)不同參數(shù)組合的結(jié)果，從而能以數(shù)據(jù)驅(qū)動的方式學(xué)習(xí)到較為高效的參數(shù)空間搜索方法，如果算法設(shè)計(jì)得當(dāng)而且訓(xùn)練數(shù)據(jù)足夠好的話，可以實(shí)現(xiàn)比啟發(fā)式算法更好的效果。

　　2016年Deepmind的AlphaGo擊敗李世石使用的就是強(qiáng)化學(xué)習(xí)模型，該模型從現(xiàn)有的海量圍棋對弈數(shù)據(jù)中進(jìn)行學(xué)習(xí)，從而能夠?qū)崿F(xiàn)對人類的超越。事實(shí)上，圍棋的優(yōu)化問題和EDA的優(yōu)化問題相類似，都是在一個(gè)巨大的搜索空間（例如圍棋中每一步都有非常高的自由度導(dǎo)致了很大的搜索空間，而EDA中布局布線和測試/驗(yàn)證向量的生成也是類似）中以高效的形式找到最優(yōu)解，因此事實(shí)上在AlphaGO獲得成功的那段時(shí)間，學(xué)術(shù)界就已經(jīng)有不少關(guān)于將強(qiáng)化學(xué)習(xí)使用在EDA領(lǐng)域的探索，而到了今天我們終于看到強(qiáng)化學(xué)習(xí)技術(shù)落地在了EDA領(lǐng)域中。

　　除了強(qiáng)化學(xué)習(xí)之外，另一個(gè)關(guān)鍵的人工智能技術(shù)是大語言模型，它對于EDA行業(yè)的主要幫助在于能夠幫助工程師能加快代碼編寫的速度并降低出錯(cuò)幾率。以ChatGPT為代表的大語言模型（Large Language Model，LLM）通過從海量的文本中學(xué)習(xí)規(guī)律，從而可以理解用戶以自然語言表達(dá)的需求，并且生成用戶可以理解的自然語言文本。這里的“自然語言”不僅包括了我們平時(shí)說的語言，還包括了我們編寫的編程語言，包括在電路設(shè)計(jì)中常用的Verilog等。目前，基于LLM的代碼編寫輔助工具中最成功的是Github的copilot，它可以幫助用戶自動完成代碼（例如用戶在輸入一行代碼的前幾個(gè)字符后，copilot就能預(yù)估用戶想要編寫的是什么樣的代碼并且提示用戶自動完成）以及自動尋找代碼中的bug。我們認(rèn)為，通過將大語言模型在已有的RTL代碼上進(jìn)行微調(diào)，未來非常有希望能出現(xiàn)一個(gè)幫助芯片設(shè)計(jì)工程師快速完成代碼編寫的工具，從而大大提升工程師的效率。

　　人工智能會如何影響工程師的工作？

　　人工智能驅(qū)動的EDA毫無疑問將會進(jìn)一步推動半導(dǎo)體行業(yè)發(fā)展，然而芯片工程師會不會被人工智能搶了飯碗呢？我們認(rèn)為，總體來說就如同之前EDA出現(xiàn)并沒有搶了當(dāng)年的芯片工程師飯碗一樣，下一代人工智能賦能的EDA也主要是一種提高效率的工具，并不會取代人類工程師。

　　首先，我們從前端設(shè)計(jì)領(lǐng)域說起。對于芯片來說，人工智能EDA主要能幫助的是使用大語言模型來提升數(shù)字邏輯設(shè)計(jì)的代碼編寫效率和質(zhì)量，因此并不存在取代的關(guān)系，而是提供了一個(gè)更加順手的工具。對于數(shù)字設(shè)計(jì)工程師來說，其最本質(zhì)的工作是把完成電路設(shè)計(jì)，例如將一個(gè)大的系統(tǒng)拆分為多個(gè)較小的功能模塊，完成每個(gè)模塊的功能和接口定義，并且使用代碼實(shí)現(xiàn)這些模塊。目前來看，人工智能大語言模型主要還是幫助完成代碼，而并非直接寫代碼；而且即使在未來人工智能能自動寫代碼了，它并不能取代數(shù)字設(shè)計(jì)工程師的本質(zhì)工作，即完成數(shù)字模塊的定義和設(shè)計(jì)。

　　在后端設(shè)計(jì)領(lǐng)域，基于強(qiáng)化學(xué)習(xí)的人工智能已經(jīng)能大幅提升布局布線的效率和質(zhì)量。目前，大多數(shù)芯片的設(shè)計(jì)流程是首先由工程師人工完成高層面的布局（floorplan），在預(yù)估性能能達(dá)到目標(biāo)之后，再由EDA工具進(jìn)行下一步的具體布局和布線，并且由工程師進(jìn)行驗(yàn)證和微調(diào)。我們認(rèn)為，隨著人工智能實(shí)現(xiàn)的布局布線效率和質(zhì)量進(jìn)一步提升，floorplan的工作有可能越來越多地交給EDA工具來做，工程師的職責(zé)越來越多的變?yōu)榻oEDA工具提供合理的constraint和優(yōu)化目標(biāo)，并且驗(yàn)證EDA工具生成的設(shè)計(jì)的質(zhì)量。從這個(gè)角度來說，人工智能確實(shí)有可能會做更多目前工程師手工做的工作，但是這并不代表人工智能會取代這些工程師，而是可以讓這些工程師有了另外的職責(zé)（即給工具提供合理的輸入并驗(yàn)證輸出），并且提升整體的效率。對于其他的布局布線流程來說，人工智能更多的是提供一個(gè)質(zhì)量更高的工具，并不會取代工程師。

　　事實(shí)上，人工智能有可能會給芯片行業(yè)提供更多的崗位。我們知道，人工智能模型訓(xùn)練需要大量的數(shù)據(jù)，而且人工智能模型對于不同的設(shè)計(jì)可能會需要不同的微調(diào)訓(xùn)練。因此，芯片設(shè)計(jì)行業(yè)可能會需要更多能有針對性優(yōu)化人工智能的工程師。

　　人工智能EDA帶來的行業(yè)動態(tài)

　　最后，我們分析一下人工智能未來會如何進(jìn)一步賦能EDA。

　　首先，芯片設(shè)計(jì)的規(guī)模越來越大，從另一個(gè)角度來看也就是設(shè)計(jì)的搜索空間也在越來越大。此外，隨著摩爾定律越來越接近物理極限，整體行業(yè)對于芯片設(shè)計(jì)PPA的要求也越來越高。因此，使用人工智能來驅(qū)動芯片設(shè)計(jì)性能的進(jìn)一步提升會得到越來越多的應(yīng)用，而且我們認(rèn)為在設(shè)計(jì)復(fù)雜度和自由度越高的地方，人工智能就能起到更大的作用。這些領(lǐng)域包括高級封裝，尤其是3D封裝；以及移動芯片、高性能計(jì)算芯片等對于芯片設(shè)計(jì)PPA有非常高要求的領(lǐng)域——這也是為什么我們看到谷歌和Nvidia這些主打高性能計(jì)算芯片的公司都在人工智能EDA領(lǐng)域有很大的投入，未來我們預(yù)計(jì)會有更多的這類公司使用人工智能EDA來改善PPA。

　　此外，另一個(gè)值得關(guān)注的要點(diǎn)是人工智能可能會給行業(yè)帶來新的變化，就是人工智能需要大量的數(shù)據(jù)去訓(xùn)練，而目前來看芯片設(shè)計(jì)的數(shù)據(jù)都是每個(gè)公司的知識產(chǎn)權(quán)，如何來確保訓(xùn)練出最好的模型同時(shí)又確保知識產(chǎn)權(quán)不會被侵犯也是一個(gè)需要行業(yè)處理的問題。我們認(rèn)為，擁有大量設(shè)計(jì)積累的大公司會是第一批使用人工智能EDA的客戶，因?yàn)樗麄兓谧约旱脑O(shè)計(jì)數(shù)據(jù)已經(jīng)能訓(xùn)練出性能不錯(cuò)的模型。至于設(shè)計(jì)積累較少的中小型公司或者成力時(shí)間較短的初創(chuàng)公司如何來使用人工智能EDA將會是一個(gè)值得整個(gè)行業(yè)思考的問題，例如是否會出現(xiàn)一些數(shù)據(jù)共享的組織，用來分享一些并不怎么敏感的設(shè)計(jì)來一起訓(xùn)練模型并共同使用，還是會有一些基于加密計(jì)算訓(xùn)練的方法可以在盡可能保護(hù)設(shè)計(jì)知識產(chǎn)權(quán)的同時(shí)讓模型能使用盡可能多的數(shù)據(jù)來完成訓(xùn)練，都是有可能的方向。

更多精彩內(nèi)容歡迎點(diǎn)擊==>>電子技術(shù)應(yīng)用-AET<<