EDA企业如何推进机器学习部署

AI是未来，机器学习是现在。

机器学习（ML）正在成为EDA行业的竞争先决条件。大型芯片制造商正在认可并要求它，大多数EDA公司正在将其部署在设计流程中的一个或多个步骤中，并计划随着时间的推移添加更多步骤。

最近几周，三大 EDA 公司在各自的用户活动中全面宣布将 ML 纳入其工具，整个芯片行业都在朝着类似的方向发展。机器学习非常适合芯片设计。它教机器如何基于模式识别执行特定任务，并且结果通常非常准确。

这与更广泛的人工智能形成对比，（尽管由于这些术语经常互换使用而引起广泛混淆）人工智能允许机器更独立地运行。完整的 AI 需要更多的数据进行训练，结果通常以概率的形式提供。数据越多，数据越相关，准确性就越好，这就是为什么智能手机和汽车中的人工智能培训大部分是在超大规模数据中心完成的。

芯片设计中使用的数据量相对较小，问题非常复杂，并且通常是特定于设计的。因此，虽然EDA供应商继续试验AI用于各种用途，但最初的实现集中在一个称为强化学习的子集上。这与监督和无监督学习一起，是三种主要的机器学习方法。强化学习本质上是按比例奖励行为，对最佳行为的奖励最高，并根据持续的反馈动态调整该行为。

Siemens Digital Industries Software的 IC EDA 执行副总裁 Joseph Sawicki 说：“想想芯片的物理设计和你对其进行的测试”。“实际上有数十亿种模式，你可以将这些模式与它们在某些网段上的位置相关联等等。然后你得到的测试数据告诉你，‘这个设计失败了。’ 我运行了一些额外的向量并得到了一堆不同的失败日志，所有这些都告诉我在某些逻辑锥中我失败了。所以现在我有了一个庞大的电路设计和这些逻辑锥，我可以看看一个神经网络，它可以被训练来表明，鉴于这个物理设计，看起来那个逻辑锥是坏的，我的失败很可能发生在这个领域。然后我可以将其与物理模式相关联。在一个案例中，我们告诉一位客户，‘你的 Via 5 钨沉积发生在这家晶圆厂的这条生产线上，这很糟糕。果然，它不符合规格。’”

这也允许在更短的时间内进行更广泛的实验。Synopsys总裁兼首席运营官 Sassine Ghazi 表示：“过去的做法是，通常用户运行不同的组合，然后他们达到某个 PPA。”“现在，系统正在寻找所有优化空间，并智能地启动多个作业。有时它会启动工作，而在 10% 时它会终止它，因为它知道它不会在任何更好的地方领先。然后它备份并启动一个不同的分支，它说，‘这是我能提供的最好的结果。’”

图 1：强化学习模型。来源：新思科技

从长远来看，设计的复杂性远远超过了人脑在合理时间内对所有可能的组合和交互进行分类的能力。

是德科技PathWave 软件解决方案副总裁兼总经理 Niels Faché 表示：“我们使用 AI/ML 进行一些器件建模和表征。”“任何时候当你着眼于优化设计并运行大量interwetten与威廉的赔率体系 时，它都可以使这个过程更加高效。例如，考虑一个 6G 系统，您必须在其中配置不同的通道。标准方法是模拟很多不同的条件，可能需要很长时间才能找到最佳结果。我们可以大大加快这一进程。因此，对于 6G，它将会发挥很大的作用，而这正是我们正在努力的事情。”

同样，Ansys 正在将其用于创建电网等应用。Ansys产品营销总监 Marc Swinnen 表示：“这是在平面规划阶段的早期完成的”。“有一些基本问题，比如会有多少条带子，什么样的间距，以及这些带子有多宽？我在拐角处放置了多少个过孔？几环？这些是基本的架构问题，并且有很多很多可能的组合。我们要使用哪些图层？我们有一个应用程序，您可以在六个参数中对其进行表征，并计算出最佳间距和最佳过孔密度，从而为您提供最佳功率。热能也比我们最初预期的来得早。当我们开始研究电热时，我们正在考虑签收，但很快就发现人们最关心的是最初的原型设计阶段。他们想要快速估计如何组装这些多管芯系统，甚至是布局规划，因为如果你一开始就把它的平面布置错了，最后你只描述了热特性，然后把两个非常热的东西靠得很近，那将是一场灾难。很难从中恢复过来，所以它必须在流程的早期发生。”

 热启动与冷启动

强化学习尤其可以显著帮助设计团队更快地获得更好的结果，无论是对于新设计还是该设计的衍生产品。

Cadence总裁兼首席执行官 Anirudh Devgan 表示：“这种新型强化学习的一个关键优势是应用了 EDA 行业以前未应用过的自动化。我们的一位大客户告诉我，他们认为布局布线是有史以来最复杂的商业软件。很多这些程序都存在很多复杂性，无论是验证、布局布线还是模拟。但是 EDA 从未优化过多次运行。所以你运行一次，你得到输入，你得到输出。当你进入下一轮时，就没有知识转移了。”

知识转移是强化学习的一大好处。它基本上收集数据并将其存储在存储库中。

Synopsys 负责人工智能和机器学习的副总裁 Thomas Andersen 表示：“很多人的头脑中都知道某些东西在过去曾奏效。”“当这些人搬到另一家公司时会发生什么？或者当他们在不同的地方并且他们甚至不互相交谈时会发生什么？你可能会发现饮水机旁边的人说，‘嘿，你应该试试这个，因为它能给你更好的动力。’该系统的美妙之处在于它可以学习设计的行为并创建统计模型。因此，下次我对设计进行改进时——这可能是不同的，但也有很多重用——我可以从所有的这些知识开始。”

这就是所谓的“热启动”，随着设计越来越复杂和市场窗口越来越小，它可以缩短上市时间而无需重新设计一切。

“通过冷启动，您可以从头开始学习，”Cadence 的 Devgan 说。“可以在公司内部进行热启动，它适用于一些公共模块。这是下一个重用模型。对于普通 IP，您可以在预训练模型上与代工厂合作。所有数据都在公司里。你挖掘自己的数据。”

该方法建立在可以通过许多设计开始收集的数据之上。“EDA 是使用模式匹配机器学习的完美目标，”Quadric首席营销官 Steve Roddy 说. “你有类固醇的最小切割算法。你有数十亿个东西要放置，你必须尽量减少跨越边界的电线。为不同的 EDA 工具提供动力的算法已经连续迭代，它们都使用一些复杂的启发式算法来计算，'如果我要放置所有这些东西，请给我最短的平均导线长度，最少的电线和交叉数量。’当我们有两层或三层金属时，这很容易。现在有 14 层金属，3nm 有 82 个掩模。但是您拥有通过您的工具链运行的数千个布局布线作业的历史记录。有什么更好的模式匹配和构建某种机器学习的训练数据库？因此，对于您获取的下一组 RTL， 这就是机器学习真正的全部。”

 更多的数据，更多的能力

完整的 AI 离我们更远，而且更难做到正确。EDA 供应商开始在任何有足够数据且过程非常耗时以至于值得努力的地方使用它，但到目前为止它的使用是有限的。

Siemens Digital Industries Software 高级工程总监 Jeff Dyck 表示：“如果你对 30 亿张图像进行训练，你就可以了解山羊的样子和房子的样子。”“你需要大量数据才能做到这一点。我们在这里所做的是不同的。我们对某些东西进行模拟的原因是因为我们实际上并不知道它的答案。我们不知道它长什么样。我们以前从未见过。它是一种新设计，或者可能是基于新流程版本或类似设计的改进设计。所以我们处理它的方式是我们重新开始。我们不会采用旧的设计数据并希望下一件事的表现类似，因为在芯片设计的现实世界中，情况并非如此。因此，对我们所做的大数据集进行培训并没有太大帮助。我们确实使用了一些历史数据，并且有一些有意义的地方，就像您正在对同一设计进行另一次迭代一样。但如果你正在训练一大堆东西，并希望下一个以前从未见过的东西看起来像那样，那就没那么有用了。”

这不仅仅是关于更多数据。这也是关于好的数据。“我的项目最终意识到他们得到了太多数据，有时他们得到了错误的数据，”AMD 威廉希尔官方网站 人员的主要成员在最近的一次小组讨论中说。“大多数时候，我们只会获取数据，进行分析，然后意识到它是多余的。这是无用的数据。有噪音，还有很多其他的东西被乱扔在那里。有时我们最终使用了 20% 的数据，有时甚至更少，而且不完全是所需的形状和形式。”

这就是今天完全使用 AI 比机器学习更受限制的部分原因。供应商对他们应用 AI 的位置非常有选择性，如果它有效，将代表芯片设计的巨大转变。

“人工智能的真正价值在于优化，”Cadence 的 Devgan 说。“人工智能早期的模式匹配很有用，我们做几何处理和模式匹配。但真正的价值在于决策优化。什么是最好的框架？我们有各种基于梯度的优化方法。但是 AI 允许的是一种非基于梯度的优化，而强化学习允许这种优化，因此我们可以将优化应用于我们从未应用过的事物。”

无论是全人工智能还是机器学习，该行业都有可能发生更根本性的转变。过去，关于设计中哪些有效，哪些无效的最有价值的数据来自晶圆厂。从那里，它又回到了设计团队和 EDA 公司，他们经常抱怨他们从未收到足够的数据。这种情况多年来有所改善，但仍然不平衡。使用 AI/ML，数据需要在两个方向上流动，并且它可能会以以前被认为不切实际的方式组合。

Sawicki 说：“在物理设计中，我们所做的其中一件事涉及您从工厂车间获得的缺陷信息。”“现在我想把它联系起来，了解我的图像模式是如何与它联系起来的，从而更多地了解其他模式可能会变坏的情况。这是在与 Calibre 的其他部分相同的工具基础设施上完成的，例如，用于进行机器学习、OPC 等。因此，您可以围绕许多不同的应用程序建立一个通用的基础设施。这并不一定意味着您拥有一个适用于 Calibre 和功能验证的 AI 引擎。这些是非常不同的问题。但是人们将学习的地方之间有很多互动。”

 结论

区分机器学习（AI 的一个子集）和更大的 AI（在 EDA 中应用要困难得多）非常重要。通常，这些术语可以互换使用，即使在工具名称中也是如此。但真正的人工智能只是慢慢应用于半导体设计，因为需要时间来弄清楚结果是否足够准确、一致和可扩展。

半导体设计正变得越来越复杂，并且随着它进入先进封装，它也变得更加特定于领域和异构。寻找跨越设计多个部分的模式，然后确定哪些模式适用于其他设计甚至衍生产品，对于 EDA 公司来说是一个巨大的挑战。但它也需要比目前芯片行业更多的专业知识才能发挥潜力。

“为了将人工智能应用于学习解决方案，您需要知道自己在做什么的人，”AMD 的 Farkash 说。“我们必须教育他们，等他们从学校出来，然后在我们需要去的地方帮助我们。但另一方面，我们不得不害怕那些自以为知道自己在做什么的人。所以这将是最大的挑战。机会来之不易。我已经研究了许多不同的主题，在这些主题中我应用了机器学习过程，无论我在哪里，我都看到了机会——主要是设计探索、验证和模拟。它无处不在。”

编辑：黄飞