SNUG 2022亮點：AI 正在快速推進晶片設計

本文原文由Geetha Rangarajan張貼

英文原文：Key Highlights from SNUG 2022: AI Is Fast Forwarding Chip Design

半導體是支持智慧汽車、智慧家庭、智慧手機等「萬物智能(Smart Everything)」生活型態迅速發展的重要推手。隨著應用程式日益發展和智慧化，晶片也變得更複雜和智慧化。為了因應現今晶片設計的機會和挑戰，半導體的革新早已不僅只於將更多邏輯電路封裝入晶片的程度，而是需要創新的設計方法來提升掌握機會並解決當前挑戰的能力。要更快速的邁向未來，勢必要在晶片設計過程中導入人工智慧(AI)，這是今年春天新思科技(Synopsys)在其年度盛會SNUG Silicon Valley 2022 所探討的熱門話題。

新思科技董事長兼執行長 Aart de Geus 以「催化不可能(Catalyzing the Impossible)」為題進行主題演講，揭開活動序幕並奠定基調，邀請微軟(Microsoft)董事長兼執行長 Satya Nadella擔任特別嘉賓進行對談。而麻省理工學院計算機科學與人工智慧實驗室 (CSAIL) 主任 Daniela Rus 博士亦受邀進行主題演說，以「AI 及其對人類的影響(AI and Its Impact on Humanity)」為題，集中探討 AI 這個主題。其他 AI 相關議程亮點還有「人工智慧的下一步：對當今晶片設計和未來願景的影響(AI’s Next Act – Impact on Chip Design Today and Vision for Future)」這場引人入勝的爐邊談話，由聯發科(MediaTek)工程總監Tony Han和新思科技人工智慧解決方案和策略資深總監 Stelios Diamantidis主持，探討使用業界首款晶片設計專用 AI 應用程式－Synopsys DSO.ai^TM的數個客戶案例研究。來自新思科技、聯發科以及英特爾(Intel)、AMD、三星電子(Samsung)和 Sony 的 AI 領域專家闡述 AI 可為半導體產業帶來哪些令人矚目的價值和機會。

以下為 SNUG Silicon Valley 2022 中的 AI 相關重點：

1. 人工智慧技術為人類帶來了大好機會，同時伴隨挑戰

Daniela Rus 博士在「AI 及其對人類的影響(AI and Its Impact on Humanity)」演講中，描繪出由人工智慧驅動的世界落實在日常生活中的樣貌。其重點在於人工智慧可以改善人們的生活，像是透過機器人協助在花園中栽種，到運用技術依照個人需求量身訂做服裝。人工智慧也能以更宏大的方式影響世界，幫助人類因應從醫學到氣候變遷的各種挑戰。然而，我們興奮之餘也應該要保持謹慎，因為人類唯有以智慧和責任心克服人工智慧的固有挑戰，才能實現其所帶來的好處。Daniela Rus 博士總結：「能成為唯一一個夠進步、擁有覺察力，且有能力創造這些非凡工具的物種，是我們的榮幸。但是，這也表示我們有善用它們的責任。我堅信，我們有能力駕馭人工智慧、機器學習(machine learning)和機器人工具(robotics tool)的力量，來確保全人類和地球上其他所有事物的美好未來。」

能成為唯一一個夠進步、擁有覺察力，且有能力創造這些非凡工具的物種，是我們的榮幸。但是，這也表示我們有善用它們的責任。我堅信，我們有能力駕馭人工智慧、機器學習和機器人工具的力量，來確保全人類和地球上其他所有事物的美好未來。」

麻省理工學院 CSAIL 主任 Daniela Rus 博士

2. 利用規模化的人工智慧加速晶片設計創新，將運算能力提升至千倍

半導體產業在設計過程中首次嘗試使用 AI，始於屢獲殊榮的 DSO.ai 解決方案。新思科技於2020年推出DSO.ai解決方案，至今已協助完成數十個客戶投片(tapeout)，並部署在6家全球前十大半導體公司當中。DSO.ai 技術採用多目標強化學習引擎，可自主探索設計空間以達成更好的性能、功率、面積 (PPA) 目標，大幅擴展晶片設計工作流程的可能選項，同時讓諸多繁瑣的任務自動化。有別於多名專家組成的工程團隊，運用DSO.ai 技術，則僅需要一名工程師，即可在數週之內交付過去人們認為「無法實現」的成果，進而達到「AI 等級」的生產力。這讓工程師可以將資源分配到更多有附加價值的工作，如產品差異化。

為了因應實現1,000 倍更好運算能力的系統複雜性問題，AI 系統必須能夠在諸多設計中自主運用其學習成果以實現規模化。在「人工智慧的下一步—對當今晶片設計的影響和未來願景(AI’s Next Act – Impact on Chip Design Today and Vision for Future)」議程中，與會者可以瞭解業界唯一的跨設計學習系統—DSO.ai 在真實世界中實現的幾項設計成果。所有案例皆顯示，DSO.ai 解決方案即便沒有經過事先學習 (冷啟動 cold-start)，也能以更少的工作量實現更好的 PPA，而其效率也會隨著訓練快速提升。當學習成果應用到相同設計的變體 (暖啟動warm-start) 和後續新的衍生設計 (交叉設計cross-design) 時，DSO.ai 技術也能以更快的速度和大幅減少的運算量交付運算結果，進而實現自動收斂(auto-convergence)。

那麼，人工智慧在晶片設計領域的下一步是什麼？聯發科的 Tony Han 表示，下一步就是實施統包(turn-key) ASIC 投片(tapeouts)並支援全球超過 4,000 家用戶，從晶片製造一路延伸到系統，基本上就是「AI遍地開花(AI Everywhere)」。套一句 Tony 的話，「我們正在從開發用於機器學習的產品，轉變為將機器學習應用於產品、技術和公司營運。」

我們正在從開發用於機器學習的產品，轉變為將機器學習應用於產品、技術和公司營運。」

聯發科工程總監 Tony Han

3. 除了最佳化流程 PPA之外，您還能利用 AI 為晶片設計做更多

首次使用 DSO.ai 解決方案時，您可能會著重於優化設計流程的時序(timing)、壅塞(congestion)或功耗(power)。不過在運用此工具的過程當中，您會發現它還可以做到更多：

探索更多布局規劃(floorplan)，以縮小晶片(die)並節省面積
電源網路最佳化以減少 IR降壓(IR-drop)
選擇最佳元件庫以改善執行時間和效能
時脈樹(Clock tree)實作
電壓調整和設計與技術同步最佳化 (DTCO)

自動晶片設計(Autonomous chip design)真的有無窮無盡的可能性！在SNUG Silicon Valley 2022活動中，藉由真實世界中的案例研究詳盡透徹地說明了這一切。Sony Designs 以「使用 DSO.ai 將 PPA 優勢最大化(Maximize PPA Benefits Using DSO.ai)」為題，展示了數個在40奈米(nm) CMOS感測器的設計中顯著減少面積的成果，其中包括首次將交叉設計學習用於生產用途的例子。在「利用 Synopsys DSO.ai 實現 PPA 和 TAT 最佳化(Leveraging Synopsys DSO.ai to Achieve Optimized PPA and TAT)」議程中，Intel 向使用者們展現了他們如何選擇最佳的標準元件庫，以便在最新製程節點的 FPGA 設計中更快速地實現 RTL-to-GDS 設計收斂(design closure)。此外，在「優化以AI驅動的電壓和頻率：最大化行動 CPU 的效能和功率(AI-Driven Voltage and Frequency Optimization: Maximizing Performance and Power for Mobile CPUs)」中，三星讓與會者瞭解他們如何優化最新 4奈米(nm) Arm 大型CPU核心的電壓和最大操作速度(f_MAX)，以實現最高的效能功耗比。

當然，新思科技IP團隊也分享了他們使用 DSO.ai 技術的經驗—運用該技術建立一個自訂應用程式來最佳化 RDL 凸塊圖(RDL bump map)以減少 IR降壓(IR-drop)。他們並沒有花費數週時間，只在一天內便實現了這個目標。