聊起 AI, 画面都充斥着机械语言: 精密高级的芯片, 光怪陆离的智能产业...... 你眼中的 AI 有什么样的能力? 能给传统行业带来哪些变革与发展? 基于此, 云加社区联手知乎科技, 从知乎 AI 与传统行业相关话题中精选内容落地社区专题「 AI 与传统行业的融合 」.
本文为 "AI 将如何影响电子信息产业" 的精华内容分享.
说明:
文中 AI 技术特指 ML/DL/RL.
文末有好书推荐: 第一本机器学习在 EDA 中应用的书籍, 本书集结了 David Z. Pan, 曾璇等 EDA 领域多位国际知名学者的研究成果.
前言: 简要说明下芯片设计流程, 方便理解 EDA 算法. 该案例来源于 Prof. Jens Vygen @University of Bonn 的《Combinatorial Optimization and Applications in VLSI Design》课程.
正文来了:
2019 年, 关于 AI,EDA 工具商都在展示两个观点:(1)AI Outside: 如何设计 EDA 工具助力 AI 芯片的高效设计;(2)AI Inside: 如何在 EDA 工具中应用 AI 算法以赋能芯片设计. 这是两个非常有趣的观点, 无论如何, AI 已经成为 EDA 工业界和学术界关注的焦点. 本文对现有各种资料和报道做了一些汇总与整理.
1. AI Inside
EDA 问题具有高维度, 不连续性, 非线性和高阶交互等特性, 学术界和工业界普遍认为机器学习等算法能够提高 EDA 软件的自主程度, 提高 IC 设计效率, 缩短芯片研发周期.
在 EDA 领域的学术会议和期刊中, 我们已经可以看到机器学习的应用实例包括:(1)建立更准确的参数模型, 优化参数分析过程, 提高 DRC, 绕线, 拥塞等预测准确度;(2)探索物理设计空间, 提升 VLSI QoR(routability, timing, area, power).
(1)EDA 公司的成果:
Cadence 的布局布线工具 Innovus, 里面已有内置的 AI 算法, 以提升 Floorplan 的效率和质量. Project Virtus, 通过机器学习解决 EM-IR 和 Timing 之间的相互影响; 还有 Signoff Timing 和 SmartLEC 等工具, 都嵌入了人工智能算法.
Cadence 公司: 2020 年 3 月 18 日, 发布已经过数百次先进工艺节点成功流片验证的新版 Cadence 数字全流程, 进一步优化功耗, 性能和面积, 广泛应用于汽车, 移动, 网络, 高性能计算和人工智能 (AI) 等各个领域. 流程采用了支持机器学习 (ML) 功能的统一布局布线和物理优化引擎等多项业界首创技术, 吞吐量最高提升 3 倍, PPA 最高提升 20%, 助力实现卓越设计.
Mentor: 比如 Machine Learning OPC 可以将光学邻近效应修正 (OPC) 输出预测精度提升到纳米级, 同时将执行时间缩短 3 倍. 而在此之前, 完成同样的工作量, 需要 4000 个 CPU 不间断地运行 24 小时; 而在 LFD 中, 通过机器学习既解决了海量未标记数据的提取, 同时也通过训练好的数据使预测更加精准. 结果显示, 与基于全芯片模型的仿真相比, 在保持最佳精度的同时还使性能提高了 10-20 倍.
Mentor: 而在深度数据分析上, 除了来自 Solido 的 variation aware 的设计外, 采用 RCD(root cause deconvolution)技术消除诊断结果噪声, 减少根因分析时间, 发现其它隐藏较深导致良率问题的根源, 也是非常典型的 AI 在 EDA 工具中的应用.
Synopsys:2020 年 3 月 12 日, Synopsys 推出业界首个用于芯片设计的自主人工智能应用程序 --DSO.aiTM(Design Space Optimization AI), 这是电子设计技术上所取得的重大突破. DSO.aiTM 解决方案的创新灵感来源于 DeepMind 的 AlphaZero, 使得 AI 在围棋, 象棋领域远超人类. 作为一款人工智能和推理引擎, DSO.ai 能够在芯片设计的巨大求解空间里搜索优化目标. 该解决方案大规模扩展了对芯片设计流程选项的探索, 能够自主执行次要决策, 帮助芯片设计团队以专家级水平进行操作, 并大幅提高整体生产力, 从而在芯片设计领域掀起新一轮革命.
谷歌 Jeff Dean 发表了论文《The Deep Learning Revolution and Its Implications for Computer Architecture and Chip Design》, 也在 ISSCC-2020 做了, 阐述了如何使用机器学习算法自动实现芯片布线, 制造缺陷检测等各个阶段的高质量解决方案. 但是, 文中并没有与现有 EDA 工具和 state of art 做比较, 因此还未看到相比现有 EDA 工具有何优势.
(2)学术界
从 EDA 领域的几大顶会 (DAC,ICCAD,ASP-DAC) 近几年论文收录情况, 我们也可以看到学术界的探索.
DAC-2019 的 5 篇最佳论文提名中 3 篇与 AI 相关:
- LithoGAN: End-to-end Lithography Modeling with Generative Adversarial Networks
- BRIC: Locality-based Encoding for Energy-Efficient Brain-Inspired Hyperdimensional Computing
- A 1.17 TOPS-W, 150fps Accelerator for Multi-face Detection and Alignment
- DREAMPlace: Deep Learning Toolkit-enabled GPU Acceleration for Modern VLSI Placement
- Accuracy vs. Efficiency: Achieving Both through FPGA-Implementation Aware Neural Architecture Search
最终, 最佳论文由 "DREAMPlace: Deep Learning Toolkit-enabled GPU Acceleration for Modern VLSI Placement" 获得.(论文开源网址 https://github.com/limbo018/DREAMPlace )
在 DAC-2020 的网站, 可以看到 57th DAC General Chair Zhuo Li 的寄语:
随着该行业深入到 2020 年, 很明显 AI / ML 架构和解决方案的研究和应用将继续加速. 实际上, 可以通过检查最近提交给 2020 DAC 的 AI / ML 架构和系统设计论文的数量来衡量印证. 2018 年, 共提交了 56 篇 AI / ML 架构和系统论文供审查. 该数字在 2019 年增加到 92 篇提交论文, 到 2020 年惊人的 194 篇提交论文. 换句话说, AL / MI 架构和系统设计研究的复合年增长率为 86%! 考虑到麦肯锡公司 (McKinsey&Company) 最近报告说, 与非 AI 半导体市场相比, AI 半导体的总可用市场将以 5 倍的速度增长, 这也许不足为奇. 但是 AL / ML 研究不仅限于 DAC 提交的硬件体系结构. 我们还看到了应用于传统 EDA 问题的 AI / ML 算法和方法的惊人增长, 范围从光刻热点检测到物理设计和实现.
2019 年, 在 IEEE Council on Electronic Design Automation (CEDA) 和 ACM Special Interest Group on Design Automation (SIGDA)的支持下, 在加拿大 Banff 举办了 ACM/IEEE workshop on machine learning for CAD 2019(MLCAD 2019).2020 年会议主页为:
Homemlcad.itec.kit.edu http://mlcad.itec.kit.edu/
会议的投稿主题包括但不限于:
• ML for system-level design
• ML approaches to logic design
• ML for physical design
• ML for analog design
• ML for power and thermal management
• ML for Design Technology Co-Optimization (DTCO)
• ML methods to predict aging and reliability
• Labeled and unlabeled data in ML for CAD
• ML techniques for resource management in many cores
• ML for Verification and Validation
好书推荐:
2019 年, Springer 上架了《Machine Learning in VLSI Computer-Aided Design》, 本书 Editors: Elfadel, Ibrahim (Abe) M., Boning, Duane S., Li, Xin (Eds.) . 本书为读者提供了有关在超大规模集成电路 (VLSI) 的计算机辅助设计 (CAD) 使用机器学习框架, 方法, 算法和技术的最新信息. 涵盖的范围包括光刻, 物理设计, 成品率预测, 硅后性能分析, 可靠性和故障分析, 功率和热分析, 模拟设计, 逻辑综合, 验证和神经形态设计中使用的各种机器学习方法.
2. AI Outside:
Synopsys 认为 " 现代 SoC 软硬件设计的复杂性日说明:
文中 AI 技术特指 ML/DL/RL.
文末有好书推荐: 第一本机器学习在 EDA 中应用的书籍, 本书集结了 David Z. Pan, 曾璇等 EDA 领域多位国际知名学者的研究成果.
作者: Forever snow https://www.zhihu.com/people/Foreversnow
链接: https://zhuanlan.zhihu.com/p/121114467
来源: https://www.qcloud.com/developer/article/1614275