意法半導體與微軟如何使用 AI 驅動技術優化 PPA

意法半導體：利用 AI 將晶片設計產能提高 3 倍

意法半導體 (ST)在新思科技矽谷 SNUG 使用者大會中發表演說，描述 AI 如何促成並實現一項史無前例的Arm Cortex-A510 專案，並針對記憶體、佈局規劃和路徑群(group path)等設計相關的參數進行探索，並產生許多新排列；這項設計對設計團隊來說，是個全新的挑戰，而成功在 7nm 製程節點上實現，意味著要探索的搜尋空間有10+25這麼大。針對如此巨大的空間進行探索令人怯步，且無法用傳統方法來完成。ST 選擇使用 AI 驅動的 Synopsys DSO.ai™(設計空間優化)解決方案來克服這些挑戰。DSO.ai 可以同時最佳化 PPA，取得最佳平衡，並探索一系列設計選項。

為能完成這項任務，首先要選取參數值。接著，DSO.ai 中特殊演算法將產生一組 PPA 的結果。系統得以學習根據第一次迭代中所學到的內容，獲得正向或最佳結果。這套學習系統可實現更高效且高度可擴展 PPA 搜尋空間探索。

在 ST 的案例中，DSO.ai在進行 3,000 回合的運作過程中，能夠搜尋涵蓋整個空間多達180 種的排列，達到目標頻率和最佳功率耗損(動態功耗/漏電功耗)，同時維持所需的佈局規畫尺寸。整體而言，能夠將產能提高3 倍。

ST分享的這個案例也能夠在雲端利用DSO.ai執行，以節省大量運算資源和基礎設施的設置時間。這個雲端解決方案是在微軟 Azure 雲端上實施，利用通用資料結構讓使用者能夠輕鬆輸出/匯入資料庫，並從遠端進行工作排程。基於雲端的解決方案讓 ST 能夠擴展需求，也讓他們團隊之間合作更加緊密。

微軟：降低功率耗散高達 15%

如同ST 的案例，微軟利用DSO.ai 來降低功耗、提高晶片利用率，並提升效能。微軟的主要目標為優化功率，採用了使用 Synopsys Fusion Compiler 的零餘裕(zero-margin)實體實作流程；運用最新的 Fusion Compiler 技術進行高度優化，並根據設計人員的設計知識對客製化資料路徑進行優化。

此外，微軟也利用DSO.ai進行設計空間探索自動化。在初始設計中，採用 DSO.ai 作為「冷啟動」(cold start)。然而，隨著設計進行修改，隨後執行 DSO.ai 時會使用之前所學到的內容，進而發生「暖啟動」(warm start)。同樣地，隨著進行更多回合的實例運作，機器學習 (machine learning, ML) 模型也繼續學習並加速收斂，同時降低整個設計週期的運算要求。在沒有降低其他指標的情況下，達到在所有設計區塊中提升10% 至15% 的功率結果。新思科技 DSO.ai 技術的關鍵是其學習能力，讓後續衍生的設計能夠從中受益。