新思科技, 引领万物智能

 

在芯片设计中引入人工智能

作者:Moor Insights & Strategy ; Karl Freund

随着众多初创企业和大型半导体公司竞相向市场推出全新人工智能芯片,Synopsys(新思科技)、Cadence和Mentor Graphics等芯片设计自动化设计解决方案提供商正在研究帮助开发者缩短芯片上市时间的新方法。有意思的是,这其中所采取的方法之一是运用人工智能技术来帮助构建更好的人工智能芯片。芯片设计过程分为前端和后端,后端又称为物理设计,对于支持人工智能新技术已经特别成熟,早期采用者也受益于其出色的性能表现。

芯片构建的诸多挑战

芯片构建中存在诸多挑战,最终确定芯片逻辑可能需要数月甚至数年的时间,一旦确定后,物理设计过程就开始了。开发者必须确定每一块晶体管的放置位置,以及如何将其互连。这个过程叫做布局和布线。现代芯片上有数十亿个晶体管,这种设计布局和测试通常需要数位开发者大约利用20到30周的时间才能完成。如果他们在其中出了差错,便会导致芯片设计无法按照规定时间完成,功耗过高、成本过大,或者根本无法使用。但是布局芯片的恰当方法不止一种,还存在无数可能的选择,包括平衡芯片的三个主要设计目标:性能、功耗和面积(PPA)。

实际上,开发者面临着大规模的“搜索”问题:仅仅是平面布置图探索就可以包含惊人的1090,000种可能性, 而国际象棋也只有10123种状态,围棋游戏只有大约10360种状态。为什么要拿游戏作类比,因为物理设计和游戏一样,现在都可以用人工智能软件来“玩”。虽然人工智能需要巨大的计算资源,但它可以从海量备选方案中进行筛选以优化参数,从而实现实现PPA的最佳组合。

使用强化学习赢得游戏

人工智能中有一个强化学习的无监督学习分支,可以通过试错来解决这类游戏问题:让电脑“试一试”某个解,用得出的结果加强该解的参数。将这样的过程重复数万亿次,直到实现解收敛,即“获胜”。

作为芯片设计自动化设计解决方案提供商,新思科技一直在与客户试验这种方法,并取得了令人惊喜的结果。

Figure 2: Design teams have used Reinforcement Learning to speed physical design projects for networking, mobile, automotive, and AI chips with astonishing results.
Design teams have used Reinforcement Learning to speed physical design projects for networking, mobile, automotive, and AI chips with astonishing results 【来源:新思科技】

 

从新思科技和客户进行的一系列复杂芯片设计的其中四个项目的平均值来看,该方法可以提前86%的时间完成设计,且配置人员仅包括一名数据科学家而不是4-5名工程师,所有项目均实现或超越了PPA目标。有趣的是,使用人工智能技术产生的一些设计有点反直觉,比如以非常规形状分布晶体块,但是结果很有说服力,实现了更快上市时间及更高性能。

结论

在物理设计中使用强化学习只是冰山一角,人工智能和机器学习可以用于设计集成电路中常见的许多工作流程。英伟达首席执行官黄延森在2016年首次发布Saturn V时曾表示,英伟达内部GPU驱动的超级计算机,当时在全球超级计算机排名前30位。随后预测Saturn V将成为其公司一个强大的技术优势,可以帮助英伟达开发者提高生产效率,实现卓越的产品。新思科技使用强化学习获得的早期项目结果,也验证了黄先生当时的观点。

 

声明:本文翻译转载自Forbes发表的文章 Using AI to Build Better Chips