AI在芯片设计的未来是什么?
很难想象当AI不是一个硅芯片设计流程的一部分。因为情报已经被集成到设计,验证,测试,和其他关键阶段,工程师正在经历生产率优势以及结果,人类就无法完成典型的项目时间表。
我们是如何走到这一步的?我们要从这里去哪里?
这些只是一些思考的问题的面板Synopsys对此AI建筑师在今年的舒适的硅谷圣克拉拉2023会议。面板”,上升的AI Design-Journey迄今为止,前面的路,”汇集了来自不同业务领域的专家分享概述的AI改进领域到目前为止和思想在接下来会出现什么。高级经理Geetha Rangarajan周二Synopsys对此AI的策略和系统团队和人工智能跟踪在舒适的硅谷,共享,该小组的主要目标是讨论人工智能可以帮助我们思考如何“难”问题在多个领域的系统设计和激发与会者利用AI-driven创造性地思考可能性的解决方案。请继续阅读的讨论。
简化复杂的芯片设计工作流
随着时间的推移,AI简化了复杂的芯片设计工作流程,优化越来越大而复杂的搜索空间。事实上,解决方案等Synopsys对此DSO.ai™利用强化学习大规模的勘探设计工作流选项,减少设计时间,提高能力,性能,和区域(PPA)。在2020年宣布,DSO。人工智能ai是市场的第一次申请芯片设计,和最近创下前100生产tape-outs。
乔Walston,一位著名的建筑师Synopsys对此AI的策略和系统团队,提出这样一个问题:人工智能可以帮助工程师解决复杂问题在系统堆栈?从计算设备、家电到飞机,现代系统覆盖范围的应用程序。系统堆栈包括软件和硬件(物理)的组件可能会受益于人工智能。工作负载的软件,旨在处理通信、数据处理、与用户接口,外部环境和体制内的其他组件。还有,其中架构:硬件子系统架构交付的软件需求(无论是机械、光学、半导体、权力,或传感器)。
系统栈的每一层提供了许多重要的问题需要回答。半导体子系统,例如,在先进的soc包括多个处理器,复杂的接口IP,数字/模拟逻辑、记忆,等。设计师们面临着多个工作流优化挑战,从微体系结构选择平面布置图优化和选择物理设计、测试和制造。类似地,对于一个光学子系统,在嵌入式电路设计师必须做出决定,镜头,检测器和光源。艾未未说,Walston,可以重复的勘探工作,使工程师更快地达到他们的目标。
实现更快的周转时间验证
Synopsys对此科学家巴蒂尼格帕兰公司的EDA集团提供的视角从功能验证。为背景,他指出,验证复杂度增长速度快于摩尔定律。在今天的soc,有很多验证:所有的逻辑,所有的组合等多个维度的性能和权力,等验证工程师如何找到更多的错误,这也恰好是更复杂?这样做比以往更快?同时保持所需的quality-of-results—结果?
应用传统的验证解决方案在RTL通常会得到工程师接近100%的覆盖率,为格帕兰解释道。静态验证可能会发现约10%的错误,尽管结果可能非常吵,这个过程中,手动和费力。形式验证可以检测到另外20%的错误,和模拟可能会发现另一个65%。仿真还涉及大量的手动工作,大量的时间调整约束testbench和写作的手工测试。
新Synopsys对此VSO.aiAI-driven验证解决方案,宣布在2023年舒适的硅谷,帮助验证团队实现关闭更快和更高质量的识别和消除冗余的回归,自动覆盖根源分析和推断覆盖从RTL和刺激识别保险覆盖面,并提供指导。
最小化测试模式计数,同时增加覆盖率
半导体测试是受益于人工智能的另一个方面。在硅的制造过程中,测试工程师必须验证设计是没有缺陷,将按预期工作。存储器内建自测(阿拉伯学者),压缩IP和逻辑测试织物的解决方案来测试逻辑。传感器中也扮演着重要的角色。通常情况下,收集的数据进行了分析,通过改进的设计周期原路返回。
每一步,决定需要进行参数优化。目的是测试尽可能多尽可能少的测试模式来管理成本,Maamari Fadi解释说,这个小组负责工程的副总裁在Synopsys对此硬件分析和测试。2023年在舒适的硅谷,Synopsys对此宣布一个新产品,优化测试模式生成使用人工智能:Synopsys对此TSO.ai。为了减少所需的测试模式,同时增加覆盖率和缩短自动测试模式生成(生成)周转时间,TSO。ai智能自动生成参数调优,驱动器一致,专门设计quality-of-results优化,大大降低了测试成本。
通过人工智能解锁新的机遇
AI现在只是抓住了表面的影响可能在电子设计领域。小组成员在舒适的硅谷2023同意增加这样的自然语言模型在ChatGPT等人工智能聊天机器人,由人工智能以及其他机会,现在是一个令人激动的时刻。还有更多要做推进自主设计、验证和测试,以及更多领域加强。强大的电子设计自动化(EDA)技术紧密集成,机器学习驱动回路可以是一个强大的力量使工程师能够完成比以往任何时候都更有可能。
“FinFET的移动节点,新的问题出现,“Vuk Borich说,杰出的建筑师,Synopsys对此线路设计与TCAD解决方案。“虽然芯片密度小,有更多的,有一些规律和一些模式和一些适合人工智能。所以我们预见了大量的创新”。
只看模拟电路设计,可以查明区域可以受益于注入智慧。Borich强调:
- 必须执行数十亿的蒙特卡罗模拟来评估过程的可变性。有方法来减少时间和成本的模拟使用人工智能?
- 寄生提取需要几小时或几天。成百上千的设计参数和较长的迭代,和人工智能模拟设计关闭时间可以缩短吗?
- 布局了大量的手工工作:AI能简化这个过程,特别是当供应有限的人才做这项工作吗?
除了电子系统,人工智能的另一个领域可以用更少的设计师加速收敛的干预是在光学设计。光学设计是一个关键使能技术的应用,如成像、汽车照明、光子集成电路。这些应用程序是非常复杂,有大量的变量和公差考虑历史上处理特殊工具。AI有可能打开新的机遇co-optimize专门算法,Synopsys对此科学家威廉Cassarly解释光学解决方案团队。AI允许勘探的很大一部分的设计空间,提供了新的起点为现有算法,和减少了参与工作处理离散情况。此外,AI提供可能使完全不同的用例之间的知识转移,让缺乏经验的设计师产生的结果可能只被认为是通过设计师重要的经验。
我们方法的系统级,孤立的知识在硬件和软件团队使启动一个复杂和昂贵的努力。系统级的可见性和自动化的根源分析是更快的上市时间的关键。高级职员Rachana斯利瓦斯塔瓦Synopsys对此系统设计集团研发工程师指出,人工智能可以使自动化系统级的根源分析。地图数据在一个基于事件的系统知识图可以提供可见性。应用机器学习模型在这个数据可以生成预测和信息反馈回路矿业硅产生更好的结果。
激动人心的时刻确实是工程师设计新方法将人工智能和机器学习应用到工作流系统堆栈。设计满足下一代PPA和上市时间的目标应用程序只会变得更加复杂。人工智能可以提供工程团队需要的生产力提高,同时帮助他们实现以前无法想象的结果。
如果你错过了它
补上其他最近的博客文章强调谈判从舒适的硅谷2023:
