電子設計自動化 (EDA)
系統
矽智財 (Silicon IP)
SolvNetPlus
教育與訓練課程
定義
設計空間最佳化 (DSO) 是一種利用機器學習最新進展所實現的、用於搜尋大型設計空間的新穎方法。與傳統的設計搜索工程（設計空間探索 , DSE）截然不同——在 DSE 中，工程師必須手動掃描極其龐大的問題空間以尋找設計解——DSO 是一種生成式優化範式，它運用強化學習（Reinforcement Learning, RL）技術，自主地在設計空間中搜尋最優解。
晶片設計：龐大的搜尋空間
如今，人工智慧能夠透過自然語言與人類互動、偵測銀行詐騙並保護電腦網路、在城市街道上駕駛汽車，以及下棋和圍棋等智力遊戲。晶片設計是一個潛在解決方案極其龐大的領域，其規模比圍棋等遊戲大數兆倍。
晶片設計工作流程通常會消耗並產生數太字節的高維度資料，這些資料被分割並分散在許多各自獨立優化的孤島中。這些資料可能包括：
- 設計輸入。RTL 模型、功耗狀態、網表、佈局圖、層級設定
- 技術輸入。元件與電路特性、寄生模型、DFM 模型、金屬層堆疊、設計規則
- 函式庫輸入。單元架構、單元原理圖、時序／功耗屬性、物理特性
- 工具輸入。設計流程、測試向量、階層式分區 、啟發式設定
傳統的設計空間探索 ：手動流程
在這個龐大的空間中進行搜尋是一項極其耗費人力的工作，通常需要數週的實驗，且往往依循過往經驗與集體智慧。為了建立最佳的設計方案，工程師必須處理大量高速數據，並在分析不完整的情況下即時做出複雜決策，這往往導致決策疲勞，並使設計受到過多限制。這種手動、迭代式的「設計與建模」（設計空間探索 , DSE）流程，是為了管理問題的複雜性而將問題進行分割。 因此，設計工作流程中對各種選項的探索受到嚴重限制，而設計師的生產力也因需處理大量瑣碎的決策而受到影響。
在當今競爭極為激烈的市場環境下，加上矽晶片製造的嚴格要求，一套「良好」的製程配方與一套「最佳」的製程配方之間，其差異可能體現在數百 MHz 的性能表現、數小時的電池續航力，或是數百萬美元的設計成本上。
DSO：設計空間的自主搜尋與優化
DSO 大幅擴展了晶片設計工作流程中選項的探索範圍，同時將大量影響較小的決策自動化處理。
DSO 代理會分析設計工具所產生的大量資料流，並利用這些資料做出優化決策；透過觀察設計隨時間演變的過程，調整設計選項、技術參數及工作流程，以引導搜尋過程朝向多維度優化目標邁進。 搜尋可於龐大規模下執行，由強化學習驅動的決策引擎能自主運作數十至數千個探索向量，並即時處理數吉字節的高速設計分析數據——所有過程皆在即時狀態下進行。
作為人工智慧驅動流程優化的關鍵特徵，DSO 能將影響較小的決策（例如調整模擬引擎設定或協調實驗流程）自動化，從而減輕設計師的繁瑣工作負擔，並讓團隊得以達到近乎專家級的運作水準。一旦 DSO 系統在特定設計工作流程中建立起模型，所獲得的經驗便能高效地在各專案及設計團隊間共享與應用。
AI 級 DSO 自動化為半導體產業開闢了新的成長軌跡，使企業能夠開發新產品並開拓新市場，同時讓設計團隊得以壯大，並實現未來的創新。
繼續閱讀
