新思科技, 引领万物智能

 

最新技术白皮书发布 | 无处不在的机器学习

作者:Stelios Dimantidis

 

人工智能 (Artificial Intelligence) 正在改变我们周围的世界,为全球经济的各个领域开启了创新之路。如今,AI 可以通过自然语言与人类交互,识别银行欺诈和保护计算机网络,在城市街道中驾驶汽车,玩如象棋类的复杂游戏。当解决方案过于昂贵或难以实现时,机器学习为我们面临的诸多复杂问题提供解决方案。机器学习对芯片设计有何影响?机器学习能否为半导体工程设计中的关键问题提供解决方案?

 

 

层出不穷的挑战

多年以来,电子设计自动化 (Electronic Design Automation, EDA) 行业已为复杂系统的建模和设计创建提供了许多解决方案。

EDA 中的大部分设计问题都属于 NP-hard 问题,由于不存在解决这些问题的多项式时间算法,因此无法通过分析确定最优解决方案。目前,新设计挑战层出不穷,导致 EDA 系统愈发难以满足高级流程节点的要求(图 1)。

 

AI芯片设计,AI挑战
图 1

 

更糟糕的是,这些要求互相依存,需要在多个设计优化层面上同时加以考虑。实际应用和使用的技术高度依赖各个特定问题空间。

那么如何在设计环境访问受限时针对特定问题制定总体解决方案?

能够学习和改进的 AI 增强型设计工具机器学习为实现自我优化的设计工具提供了机会。就像自动驾驶汽车观察现实世界中的交互作用以改善其在不同(本地)驾驶条件下的响应一样,人工智能增强工具可以在部署后在(本地)设计环境中学习和改进。

与通过观察实际互动情况改进对不同(本地)行驶条件响应的自动驾驶汽车相类似,AI 增强型工具能够在部署后的(本地)设计环境中学习和改进。这些新功能可嵌入不同的设计引擎,为 EDA 开发人员提供一系列全新的解决方案,帮助开发人员适应当下要求严苛的半导体设计环境。

这些新的,由ML驱动的功能可以嵌入到不同的设计引擎中,从而为EDA开发人员提供了适用于当今苛刻的半导体设计环境的新解决方案库。鉴于有大量的数据和丰富的启发式方法,可以使用集成方法(例如线性回归,支持向量机,神经网络)创建新的ML模型类别,以在整个设计周期中利用各种机会。

 

能够学习和改进的 AI 增强型设计工具

机器学习 (ML) 提供了启用自优化设计工具的机会。与通过观察实际互动情况改进对不同(本地)行驶条件响应的自动驾驶汽车相类似,AI 增强型工具能够在部署后的(本地)设计环境中学习和改进。这些新功能可嵌入不同的设计引擎,为 EDA 开发人员提供一系列全新的解决方案,帮助开发人员适应当下要求严苛的半导体设计环境。

 

示例:优化期间的快速延迟预测

高级节点的复杂物理效应和制造规则可对设计收敛性产生影响。有各种适用于信号完整性、波形传播、噪声等对象的建模功能可准确计算延迟。但这些功能在计算方面非常昂贵,需要在预布线设计阶段谨慎使用。

ML 延迟预测器是一个统计模型,经训练后可在多个设计发展阶段捕获时间,让上游引擎能够更快速地了解复杂的下游效应,做出更优决策。延迟预测器可改善设计收敛性并加快设计向更优秀的 PPA 方向发展(图 2)。

 

图2

 

扩展 ML 预测器范例

整个 ML 预测器类可寻找 DRC 热点、EM/IR 分布和更多内容。额外的 ML 模型类可为自优化设计工具提供各种优势(图 3):

  • ML 优化器:有监督的 ML,在优化之前学习,可直接应用到相关设计拓扑中,应用于 ECO、缓冲、Vt 选择和 DRC 修复
  • ML 分类器:无监督的 ML,支持更高效的算法选择,加速整个运行时,支持电路设计、测试和良率分析领域的新型应用
  • ML 调度器:探索技术,让工具更深入理解其执行环境并按可用计算机资源定制需求

 

图3

 

这些引擎可提前进行预先训练,以便在设计期间进行自我训练。它们可在设计环境中持续学习和改进,缩短实现成果所需时间,获得更好的结果质量 (Quality of Results, QoR)。

 

下一步发展:AI 增强型设计平台

目前,我们的 AI 增强型工具提供许多适用于数字化部署、电路模拟、测试、物理验证和签发等等领域的机器学习模型。我们拥有明确的愿景,即通过广泛应用的 ML 打造 AI 增强型聚合设计平台:构建经过精心编排的自优化设计环境,超越单模型解决方案,在整个设计环境中实现更好的端到端结果!

欲了解更多关于AI 如何使芯片设计更智能,请扫描或点击二维码下载技术白皮书!

 

 

声明:原文翻译自《半导体工程》, 英文版链接。感谢半导体工程对新思科技的大力支持!