將機器學(xué)習(xí)應(yīng)用于芯片設(shè)計開始取得重大進(jìn)展。在本周舉行的DesignCon大會上，電子設(shè)計自動化（EDA）使用人工智能（AI）成為最熱門的討論話題之一，在機器學(xué)習(xí)技術(shù)與應(yīng)用方面也累積了許多研究成果……

業(yè)界供應(yīng)商和研究人員最近在將機器學(xué)習(xí)應(yīng)用于棘手的芯片設(shè)計問題方面取得了重大的進(jìn)展。從今年DesignCon大會上的一場專題討論就可看出，在電子設(shè)計自動化（EDA）方面使用人工智能（AI）是目前十分熱門的主題，不僅在本屆大會上有多篇相關(guān)論文發(fā)表，專題討論時也吸引眾多與會者，現(xiàn)場座無虛席。

過去一年來，機器學(xué)習(xí)實現(xiàn)先進(jìn)電子研究中心（CAEML）又增加了四家新的合作伙伴。這個由13家業(yè)界成員和3所大學(xué)共同組成的研究團(tuán)隊，目前正持續(xù)擴(kuò)大其工作的廣度和深度。

惠與科技（Hewlett-Packard Enterprise；HPE）杰出技術(shù)專家兼CAEML成員Christopher Cheng說：“去年，我們主要關(guān)注于信號完整性和電源完整性，而在今年，我們將產(chǎn)品組合劃分為系統(tǒng)分析、芯片布局和可信任的平臺設(shè)計，讓研究的多樣性取得了最大的進(jìn)展?！?/p>

北卡羅來納州立大學(xué)（NC State University）杰出教授Paul Franzon表示：“貝葉斯（Bayesian）優(yōu)化和卷積神經(jīng)網(wǎng)絡(luò)（CNN）在可制造性設(shè)計（DFM）方面也顯著提升了功能，我們開始考慮在設(shè)計過程中使用同步學(xué)習(xí)?！北笨_來納州立大學(xué)就是CAEML的三所合作院校之一。

另一所與CAMEL合作的學(xué)?！獑讨蝸喞砉W(xué)院（Georgia Institute of Technology）教授Madhavan Swaminathan說：“我們面臨的挑戰(zhàn)之一是取得公司的數(shù)據(jù)。因為他們的大部份數(shù)據(jù)都是專有的，因此我們經(jīng)提出了幾種處理機制。這些過程目前都運作得不錯，但仍然比我們預(yù)期的更長得多。”

CAEML在成立之初就獲得了亞德諾半導(dǎo)體（ADI）、楷登電子（Cadence）、思科（Cisco）、IBM、英偉達(dá)（Nvidia）、高通（Qualcomm）、三星（Samsung）和賽靈思（Xilinx）等九家廠商的支持，一開始感興趣領(lǐng)域包括高速互連、電力傳輸、系統(tǒng)級靜電放電、IP核心重用，以及設(shè)計規(guī)則檢查。

從Cadence描繪的發(fā)展藍(lán)圖來看，EDA產(chǎn)業(yè)目前開始進(jìn)入AI應(yīng)用的第二階段

Cadence Design Systems等EDA供應(yīng)商早在1990年代初就開始研究機器學(xué)習(xí)。Cadence研發(fā)部資深總監(jiān)David White表示，這項技術(shù)于2013年首次導(dǎo)入于其產(chǎn)品中，采用Virtuoso的一個版本，并利用分析和數(shù)據(jù)探勘為寄生參數(shù)擷取創(chuàng)建機器學(xué)習(xí)模型。

截至目前為止，Cadence已經(jīng)為其工具提供超過110萬種機器學(xué)習(xí)模型了，用于加速長時間的計算。下一個階段的產(chǎn)品開發(fā)就是布局與繞線工具，使其得以向人類設(shè)計師學(xué)習(xí)，并推薦可加速運轉(zhuǎn)時間的優(yōu)化方案。White解釋，這些解決方案可能結(jié)合使用本地和基于云端的處理，以利用平行系統(tǒng)和大型數(shù)據(jù)集。

機器學(xué)習(xí)技術(shù)與應(yīng)用最新進(jìn)展

Synopsys研發(fā)總監(jiān)Sashi Obilisetty表示，在先進(jìn)工藝節(jié)點上，采用現(xiàn)有算法的全局繞線（global routing）工具已經(jīng)達(dá)到極限了，因此他們開始降低芯片數(shù)據(jù)速率，以實現(xiàn)時序收斂。

她補充說，臺積電（TSMC）去年使用機器學(xué)習(xí)預(yù)測全局繞線，使得速度提高了40MHz； Nvidia則用機器學(xué)習(xí)來提供芯片設(shè)計的全面覆蓋，同時減少模擬。

參加這場專題討論的專家們說，他們看到了業(yè)界存在著使用各種機器學(xué)習(xí)技術(shù)實現(xiàn)自動化特定決策和優(yōu)化整體設(shè)計流程的許多機會。

具體而言，研究人員正探索以更快速度的AI模型取代當(dāng)今仿真器的機會。喬治亞理工學(xué)院的Swaminathan說，相對較慢的仿真器可能導(dǎo)致計時錯誤、模擬電路失調(diào)，以及導(dǎo)致芯片重新流片（respin）的建模不足等問題。此外，機器學(xué)習(xí)可以取代IBIS在高速互連中進(jìn)行行為建模。

除了由亞馬遜（Amazon）、Google和Facebook圖片搜索和語音識別服務(wù)推廣的神經(jīng)網(wǎng)絡(luò)模型以外，芯片研究人員也使用了數(shù)據(jù)探勘、統(tǒng)計學(xué)習(xí)和其他工具。

北卡羅來納州立大學(xué)的Franzon則報告使用代理模型，在4次迭代中實現(xiàn)最終實體設(shè)計優(yōu)化，相形之下，工程師還必須進(jìn)行到20次。類似的技術(shù)被用于校準(zhǔn)模擬電路，并為多信道互連設(shè)置收發(fā)器。

研究人員展示代理模型在4次迭代中的表現(xiàn)，可望取代人類設(shè)計師（20次）

AI可以在EDA工具（有時是指旋鈕）中設(shè)置幾十種選項，協(xié)助加速自動化過程。Franzon說：“這些工具設(shè)置了一些有時候定義不清的旋鈕，經(jīng)常與預(yù)期結(jié)果之間的關(guān)系模糊。”

HPE目前則結(jié)合使用神經(jīng)網(wǎng)絡(luò)和超平面分類器，依據(jù)固態(tài)硬盤（SSD）的電壓、溫度和電流等數(shù)據(jù)現(xiàn)場預(yù)測故障情形。

Cheng說：“訓(xùn)練所需的數(shù)據(jù)量龐大。到目前為止，分類器都是靜態(tài)的，但是我們希望增加使用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的時間維度，以取代僅用好/壞標(biāo)簽，那么我們將會有故障時間（time-to-failure）的標(biāo)簽。未來，我們還希望將這項工作擴(kuò)展到更多的參數(shù)以及一般的系統(tǒng)故障?！?/p>