芯片设计中的人工智能未来会怎样

很难想象人工智能不是硅芯片设计流程的一部分。由于智能现已集成到设计、验证、测试和其他关键阶段，工程师正在体验生产力优势以及人类在典型项目时间表下无法单独完成的结果。

我们是怎么到这里来的？我们该何去何从？

这些只是 Synopsys AI 架构师小组在今年圣克拉拉举行的 SNUG 硅谷 2023 会议上思考的几个问题。该小组名为“人工智能设计业的兴起——迄今为止的旅程和未来之路”，汇集了来自不同业务领域的专家，分享了迄今为止各自领域人工智能增强功能的概述，以及对接下来可能发生的事情的想法。Synopsys AI 战略和系统团队的高级经理兼 SNUG 硅谷 AI 赛道负责人 Geetha Rangarajan 分享说，该小组的主要目标是讨论 AI 如何帮助我们重新思考系统设计多个领域的“难题”，并激励与会者创造性地思考利用 AI 驱动解决方案的可能性。请继续阅读，了解讨论的亮点。

简化复杂的芯片设计工作流程

随着时间的推移，人工智能简化了复杂的芯片设计工作流程，优化了越来越大和复杂的搜索空间。事实上，Synopsys 等解决方案 DSO.ai™ 使用强化学习来大规模扩展设计工作流程选项的探索，从而缩短设计时间，同时增强功耗、性能和面积 （PPA）。

来自Synopsys AI战略和系统团队的杰出架构师Joe Walston提出了一个问题：AI可以帮助工程师解决整个系统堆栈中的复杂问题吗？从计算设备到设备再到飞机，现代系统涵盖了广泛的应用。系统堆栈包括可能从 AI 中受益的软件和硬件（物理）组件。有工作负载驱动的软件，旨在处理与用户、外部环境和系统内其他组件的通信、数据处理和接口。然后是软件驱动的架构：硬件子系统旨在提供软件所需的内容（无论是机械、光学、半导体、电源还是传感器）。

系统堆栈的每一层都有许多相应的问题需要回答。例如，在半导体子系统中，最先进的SoC包括多个处理器、复杂接口IP、数字/模拟逻辑、存储器等。设计人员面临着多种工作流程优化挑战，从微架构选择到平面图优化，再到物理设计、测试和制造方面的选择。同样，对于光学子系统，设计人员必须围绕嵌入式电路、透镜、探测器和光源做出决策。沃尔斯顿说，人工智能可以帮助重复的勘探工作，使工程师能够更快地实现目标。

实现更快的验证周转时间

该公司EDA集团的Synopsys科学家Badri Gopalan提供了功能验证方面的观点。作为背景，他指出，验证复杂性的增长速度快于摩尔定律。在当今的SoC中，有很多东西需要验证：所有的逻辑，跨多个维度（如性能和功耗）的所有组合。验证工程师如何发现更多错误，而这些错误恰好也更复杂？而且做得比以往任何时候都快？同时保持所需的结果质量和结果成本？

正如Gopalan解释的那样，在RTL应用传统的验证解决方案通常会使工程师接近100%的覆盖率。静态验证可能会发现大约 10% 的错误，尽管结果可能非常嘈杂，并且过程非常手动和费力。形式验证可以检测到另外 20% 的错误，模拟可能会发现另外 65% 的错误。仿真还涉及大量的手动工作，需要花费大量时间来调整测试平台的约束和编写手动测试。

在 2023 年 SNUG 硅谷大会上宣布的全新 Synopsys VSO.ai AI 驱动的验证解决方案，通过识别和消除回归中的冗余、自动化覆盖根本原因分析以及从 RTL 和刺激中推断覆盖范围，以确定覆盖范围差距并提供覆盖范围指导，帮助验证团队更快、更高质量地实现收尾。

最大限度地减少测试模式数量，同时增加覆盖范围

半导体测试是另一个受益于人工智能的领域。在硅制造过程中，测试工程师必须验证设计是否无缺陷，并且将按预期工作。内存内置自检 （BIST）、压缩 IP 和逻辑测试结构是可用于测试逻辑的解决方案。传感器也发挥着重要作用。通常，收集的数据会被分析并循环回整个设计周期以进行改进。

每一步，都需要对要优化的参数做出决策。目标是使用尽可能少的测试模式进行测试以管理成本，Synopsys硬件分析和测试工程副总裁Fadi Maamari解释说。在 2023 年硅谷 SNUG 大会上，新思科技宣布了一款使用 AI 优化测试模式生成的新产品：新思科技 TSO.ai。TSO.ai 旨在 减少 所需 的 测试 模式 数量， 同时 增加 覆盖 率 并 缩短 自动 测试 模式 生成 （ATPG） 周转 时间， 可 智能 地 自动 执行 ATPG 参数 调优， 推动 一致 的、 针对 特定 设计 的 结果 质量 优化， 并 显著 降低 测试 成本。

通过 AI 解锁新机遇

人工智能目前只是触及了电子设计领域可能产生的影响的表面。SNUG 硅谷 2023 的小组成员一致认为，随着自然语言模型的兴起，例如 ChatGPT 等人工智能聊天机器人中的自然语言模型，以及人工智能提供的其他机会，现在是进入该行业的激动人心的时刻。在推进自主设计、验证和测试方面还有更多工作要做，还有更多领域需要增强。强大的电子设计自动化 （EDA） 技术与紧密集成的机器学习驱动循环相结合，可以成为一股强大的力量，使工程师能够完成比以往更多的工作。

“随着转向FinFET节点，新的问题正在出现，”Synopsys Circuit Design&TCAD Solutions杰出架构师Vuk Borich说。“虽然芯片更密集、更小，而且数量更多，但有一些规律性、一些模式和一些适合人工智能的东西。因此，我们预见到会有大量的创新。

仅看模拟设计，就可以确定可以从智能注入中受益的领域。正如鲍里奇所强调的：

必须执行数十亿次蒙特卡罗模拟来评估过程可变性。有没有办法使用人工智能减少这些模拟的时间和成本？

提取寄生效应数小时或数天。面对数百个设计参数和更长的迭代，人工智能能否缩短模拟设计收敛时间？

布局代表了大量的手动工作：人工智能能否简化这一过程，尤其是在从事这项工作的人才供应有限的情况下？

除了电子系统之外，人工智能可以用更少的设计师干预加速融合的另一个领域是光学设计。光学设计是成像、汽车照明和光子 IC 等应用的关键使能技术。这些应用非常复杂，需要考虑大量变量和公差，这些变量和公差过去是用特殊工具处理的。人工智能有可能开启共同优化专业算法的新机会，光学解决方案团队的Synopsys科学家William Cassarly解释说。人工智能允许探索大部分设计空间，为现有算法提供新的起点，并减少处理离散案例所涉及的工作量。此外，人工智能提供了在完全不同的用例之间实现知识转移的潜力，允许经验不足的设计师产生可能只有具有丰富经验的设计师才能考虑的结果。

随着我们接近系统级别，硬件和软件团队之间的孤立知识使得启动成为一项复杂且昂贵的工作。系统级可见性和自动化根本原因分析是加快上市时间的关键。Synopsys Systems Design Group的高级研发工程师Rachana Srivastava指出，人工智能可以实现自动化的系统级根本原因分析。在基于事件的知识图谱中映射数据可以提供整个系统的可见性。在此数据上应用机器学习模型可以生成预测和信息挖掘的反馈循环，以生成更好的硅结果。

激动人心的时刻确实即将到来，因为工程师们正在设计新的方法，将人工智能和机器学习应用于整个系统堆栈的工作流程。满足下一代应用的PPA和上市时间目标的设计只会变得更加复杂。人工智能可以提供工程团队所需的生产力提升，同时帮助他们实现以前无法想象的成果。

审核编辑：郭婷