AIを活用したチップ設計とは何か？

AIは、広大なソリューション空間において、最短時間で最高のROIをもたらす最適なパラメータの組み合わせを導き出すことができます。 言い換えれば、従来の方法では得られなかった、より優れた（かつ迅速な）結果が得られるということです。AIがチップ開発サイクルにおける反復的なタスクを処理することで、エンジニアはチップの品質向上や差別化に、より多くの時間を割くことができるようになります。例えば、設計空間探索 、検証カバレッジや回帰分析、テストプログラムの生成といったタスクは、それぞれその範囲や規模が膨大になり得ますが、AIによって迅速かつ効率的に管理することが可能です。

強化学習 複雑な問題を包括的に分析し、人間だけでは到底不可能なスピードで解決できるという特長から、電子設計自動化（EDA）のワークロードに非常に適しています。強化学習 アルゴリズムは、環境の変化に迅速に適応・対応でき、継続的かつ動的な学習が可能です。RLは、業界全体で1,000件以上のテープアウトにおいてチップ設計に活用されており、現在では実証済みの技術と見なすことができます。

半導体業界がチップ開発に活用しているAIのもう一つの分野が、生成AIです。大規模言語モデルを基盤とする生成AIは、入力データのパターンや構造を学習し、テキスト、動画、画像、音声などのコンテンツを迅速に生成します。生成AIモデルはさまざまな応用分野でその能力を発揮しており、現在、チャットボット「ChatGPT」がその代表的な例として広く知られています。  

EDA分野において、こうしたチャットボットは通常、設計プロセスにおいてエンジニアを支援する「コパイロット」としての役割を果たします。これらは、初期のコード生成、ドキュメントの検索、あるいは若手エンジニアの早期育成などに活用できます。チップ設計関連のデータが主に専有情報であるEDA分野において、生成AIは、よりカスタマイズされたプラットフォームの構築を支援したり、あるいは社内プロセスを改善して生産性を向上させたりする可能性を秘めています。

チップ開発の分野で、現在注目され始めているもう一つの技術がAIエージェントです。AIエージェントは、単調で反復的な作業を自動化することで、設計者がより戦略的かつ創造的な業務に集中できるようにします。さらに、AIエージェントは、レベル1（L1）からレベル5（L5）までの能力段階において相互に連携する可能性があります。最終的には、AIエージェントに完全な自律性を与え、許可された範囲内で自ら意思決定を行えるようになるでしょう。

AIを活用したチップ設計は、本来なら反復的な作業に取り組む際に、高度な知能と高速処理という強力な組み合わせを融合させることで、より優れた半導体成果を生み出し、エンジニアリングの生産性を大幅に向上させることができます。AIを活用したチップ設計には、以下のようなさまざまなメリットがあります：

• PPAの最適化：あらゆるチップ設計において、対象アプリケーションに最適なPPAを実現する機会は存在します。しかし、膨大な設計空間にはほぼ無限の設計選択肢が存在するため、プロジェクトの期間内に適切な選択肢を見出すことは人間には不可能です。AIは、こうした広大な設計空間の探索を引き受け、最適化の余地がある領域を特定することで、PPAの最適化を促進することができます。
• 生産性の向上：リソースの縮小や人材不足が進む環境下で、エンジニアからは常に多忙な業務負担が報告されています。AIが反復的な作業を処理することで、エンジニアは市場投入までの目標期間を守りつつ、チップ設計の差別化や品質向上に注力できるようになります。
• 再利用の促進：あるプロジェクトで得られた知見を保持し、次のプロジェクトに活用できるため、AIはチップ開発プロセスの効率をさらに高めます。
• 設計の移行を迅速化：AIの支援により、チップ設計チームは、あるプロセスノードから別のプロセスノードへ設計をより迅速に移行することができます。

AIを活用したチップ設計には、確かにいくつかの特有の課題が伴います。比較的新しい取り組みであるため、AI技術をさまざまなチップ設計ソリューションに統合するには、プロンプトエンジニアリングといった新たなスキルや手法が求められます。 また、業界で行われている作業の多くが企業秘密であるため、AIの学習に利用できるデータセットは限られています。さらに、機械が自分たちよりも優れた結果を導き出せるのかと疑問を抱くエンジニアもいるため、懐疑的な見方もまた別の課題となっています。半導体業界では人材不足が深刻化しているため、業界は、AI技術を用いてEDAフローを最適化することや、EDAアルゴリズムのための計算プラットフォームを強化することに専門知識と関心を持つ人材を見出す必要があるでしょう。

AIワークロードは膨大であり、多大な帯域幅と処理能力を必要とします。その結果、AIワークロードを最も効率的に処理するように設計されたAIチップ（GPU、XPU、または専用アクセラレータ）には、最適なプロセッサ、メモリアレイ、セキュリティ、およびリアルタイムのデータ接続性を備えた独自のアーキテクチャが求められます。 従来のCPUは、順次処理タスクの実行には理想的ですが、AIワークロードを高速化するために必要な処理性能では一般的に遅れをとっています。一方、GPUは、AIの乗算積算関数に伴う大規模な並列処理に対応でき、AIアプリケーションに適用可能です。実際、GPUはAIアクセラレータとして機能し、ニューラルネットワークや類似のワークロードのパフォーマンスを向上させることができます。 大規模なデータセンターやエッジ環境での導入においては、ソフトウェア主導の特注ASICが、最適化された電力効率とカスタマイズされたパフォーマンスを提供するため、ますます普及しつつあります。AIが主流になるにつれ、従来のCPUにも、AI PC向けの機能を含むAIアクセラレーション技術が統合されつつあります。    

AIチップはその複雑さゆえに、しばしばレチクルの限界を超えるか、あるいはパーティショニング 設計を複数のダイ やチップレット に分割した方が適している場合があります。単一のパッケージ内にヘテロジニアス・インテグレーション の複数のダイ、あるいはチップレット を組み合わせたマルチダイ アーキテクチャは、AIアプリケーションにとって理想的なアーキテクチャとして急速に普及しつつあります。マルチダイ システムは、ムーアの法則の鈍化に対する解決策であり、モノリシック SoCが実現できる範囲を超えた利点、すなわちリスクの低減と市場投入までの期間の短縮を伴いながら、システム機能の高速かつコスト効率の高い拡張を実現します。

AIアクセラレータは、瞬時の応答が求められることが多いAIワークロード向けに最適化された、もう1つの種類のチップです。高性能な並列演算マシンであるAIアクセラレーター は、データセンターなどの大規模な導入環境だけでなく、エッジAI のようにスペースや電力に制約のあるアプリケーションでも利用できます。

GPU、大規模マルチコアスカラープロセッサ、空間アクセラレータなどは、ハードウェアAIアクセラレータの例です。これらのチップは、大規模なニューラルネットワークを処理するために、より大規模なシステムに組み込むことができます。AIアクセラレータの主な利点には、次のようなものがあります：

• 汎用コンピューティングマシンと比較して、AIワークロードのパフォーマンスとエネルギー効率がより最適化されている
• 低遅延かつ高速な演算速度
• 特定のタスク向けに複数の専用プロセッサを搭載できる異種アーキテクチャ
• スケーラビリティ

どのようなアーキテクチャを採用する場合でも、AIを活用したチップ設計技術はAIチップの設計プロセスを効率化しており、PPAの向上とエンジニアリング生産性の向上を通じて、設計の市場投入を加速させています。

AI技術は、EDAフローにおいてますます普及が進む見込みであり、モノリシック のSoCからマルチダイ の設計に至るまで、あらゆる分野の開発を強化することになるでしょう。AIは今後も、より高品質なシリコンチップを、より短いリードタイムで提供することを支援し続けるでしょう。また、チップ開発プロセスには、AIによって改善できる段階が他にも数多く存在します。

この分野には課題も存在しますが、課題があるからこそチャンスも生まれます。AIは生産性と成果を向上させることで、人材不足によって生じた空白や、ベテランエンジニアが退職した際に生じる知識のギャップを埋める一助となります。さらに、AIチップを含め、AIがチップ設計を向上させる他の方法を模索することにも、大きなチャンスが秘められています。

AIアプリケーションがエネルギーに与える影響は甚大です。しかし、AI設計ツールを活用すれば、AIプロセッサチップ（およびそのチップの設計、検証、テストを行うワークフロー）を最適化し、エネルギー効率を向上させることで、そのカーボンフットプリントを削減することができます。

人工知能が産業を変革する中、半導体業界において「AIチップ （AIによる）設計」と「AI駆動型チップ設計」という2つの重要な概念を区別することが重要です。

AIチップ 設計は、現代のAIを支える専用ハードウェアの構築に重点を置いています。GPU、NPU、カスタムASICなどのこれらのチップは、ディープラーニングや生成AIといったAIモデルに必要な複雑な演算や膨大な量のデータを効率的に処理できるよう設計されています。設計プロセスでは、アーキテクチャの革新が鍵となります。つまり、演算コア、メモリ帯域幅、相互接続を最適化し、データセンターからエッジデバイスに至るまで、あらゆるAIアプリケーションにおいて最高のパフォーマンス、エネルギー効率、スケーラビリティを実現することです。

対照的に、AIを活用したチップ設計とは、チップ開発プロセスそのものの中で人工知能を活用することを指します。ここでは、強化学習 、生成AI、自律エージェントといったAI技術が、電子設計自動化（EDA）ツールに組み込まれ、チップの設計、検証、テストの自動化と最適化が行われます。AIを活用して設計案を迅速に探索する し、反復的なエンジニアリング作業を処理することで、チームはより良い結果を迅速に得ることができ、エンジニアは創造性や差別化に注力できるようになります。

要するに、AIチップ 設計とはAI向けのチップを開発することであり、AIを活用したチップ設計とは、AIを用いてチップ開発の生産性と効率を高めることである。

シノプシス 拡がりゆく知 の先駆者であり、アーキテクチャ、設計、検証、実装、システム検証、サインオフ、製造、製品テスト、現場での導入に至るシリコンのライフサイクル全体を網羅する、相互接続された協働型AIベースEDA ツールを提供しています。2023年3月にリリースされたシノプシス.aiは、業界初のフルスタック型AI駆動EDAスイートであり、エンジニアが適切な仕様のチップをより迅速に市場に投入できるよう支援します。 今後も継続的な機能強化が予定されているこのスイートには、現在以下の機能が含まれています：

• シノプシス DSO.ai™は、チップ設計における極めて広大な解空間の中から、最適化対象を自律的に探索する
• シノプシス VSO.ai, これにより、検証カバレッジ収束 および回帰分析を自律的に高速化し、機能テストの早期完了、カバレッジの向上、およびバグの予測的検出を実現します
• シノプシス TSO.ai、これは大規模なテスト探索空間において最適な解を自動的に探索し、パターン数 および自動テストパターン生成 （ATPG）の所要時間を最小限に抑えるものです
• シノプシス ASO.ai™は、アナログ設計 のワークフローを自律的に高速化し、アナログIPの迅速な移行と、テクノロジーノードをまたぐ効率的な設計の再利用を実現します。
• シノプシス.ai Copilotは、生成AIを活用して専門的なガイダンスを提供し、設計タスクを自動化し、チップ設計スタック全体にわたる生産性を向上させます。