人工智能進(jìn)入我們的世界看似突然且意想不到，但EDA已經(jīng)悄悄地采納它十多年。變化在于，隨著大型語(yǔ)言模型（LLM）日益強(qiáng)大，以及將其應(yīng)用于更具挑戰(zhàn)性的多物理問(wèn)題的需求，這一概念現(xiàn)在變得更加顯眼。

人工智能日益重要的兩個(gè)根本性轉(zhuǎn)變。首先，熱量正成為更大封裝尺寸和更高集成度的障礙。因此，權(quán)力，熱成像而機(jī)械則緊密結(jié)合于用于建筑材料的物理特性。其次，左移——即希望在流程更早獲得更好信息以便做出更明智決策的愿望——正與自上而下的設(shè)計(jì)實(shí)踐相結(jié)合。這兩項(xiàng)變化都將物理影響引入了建筑決策，如2.5D和3D組件的樓層規(guī)劃、分區(qū)和集成選擇。

這正是人工智能可以發(fā)揮作用的地方，而且它從兩個(gè)方向上發(fā)揮作用。其中之一是EDA工具，使這些工具更強(qiáng)大、更靈活。另一個(gè)是工具之外，為工程師提供有用的數(shù)據(jù)。雖然它們可以共存，但這些方法使用了不同形式的人工智能。此外，人工智能還可以通過(guò)構(gòu)建合適的可執(zhí)行設(shè)計(jì)和驗(yàn)證模型，將所有這些數(shù)據(jù)串聯(lián)起來(lái)，作為物理設(shè)備的抽象。這些用例可能有助于改進(jìn)方法論，從而更高效地實(shí)現(xiàn)更好的設(shè)計(jì)。

【編者注：在EDA語(yǔ)境下討論人工智能時(shí)，“模型”一詞會(huì)讓人混淆，因?yàn)樗糜诓煌念I(lǐng)域。第一種是人工智能模型，比如大型語(yǔ)言模型。推理引擎利用它來(lái)基于訓(xùn)練好的模型給出答案。第二種是EDA模型，可以作為設(shè)計(jì)或驗(yàn)證（DV）框架的一部分。該系統(tǒng)使用響應(yīng)刺激的執(zhí)行引擎，可能使用也可能不使用人工智能。當(dāng)使用AI模型來(lái)抽象EDA模型時(shí)，情況尤其復(fù)雜。我們已盡力澄清這一點(diǎn)。]

是在室內(nèi)還是室外？
有多種因素會(huì)影響人工智能的應(yīng)用。它可以用來(lái)替代或增強(qiáng)工具內(nèi)已有的算法，也可以更具代理性，像工程師一樣驅(qū)動(dòng)工具?！叭斯ぶ悄艽嬖谟谕獠康囊粋€(gè)優(yōu)勢(shì)是我們可以實(shí)現(xiàn)工具中立，”阿米特·古普塔說(shuō)，惡習(xí)西門子EDA定制集成電路部門總裁兼總經(jīng)理?！叭缓?a class="contentlabel" href="http://cqxgywz.com/news/listbylabel/label/AI">AI可以調(diào)用內(nèi)部創(chuàng)建的工具，或者第三方工具。AI層在智能調(diào)用工具并迭代這些工具。那么，為什么我們要把人工智能放進(jìn)工具里？當(dāng)我們?cè)谇蠼馄鲗用鎸⑺鼈兘Y(jié)合時(shí)，優(yōu)勢(shì)在于通常有更多的知識(shí)和信息可以訓(xùn)練人工智能。你可以因此獲得性能提升?！?/span>

其他人也同意。Synopsys產(chǎn)品管理高級(jí)總監(jiān)Anand Thiruvengadam表示：“我們認(rèn)為人工智能是工具的伙伴，是一種增強(qiáng)而非替代或替代的手段?！薄拔覀儧]看到工具被排除在外。工具總是在流程中，尤其是在簽字時(shí)。我們認(rèn)為工具作為護(hù)欄存在的必要性。你可以讓AI做很多前端工作。你可以讓AI做大量預(yù)測(cè)、優(yōu)化等，但最終你總需要一個(gè)工具在環(huán)中簽字?！?/p>

智能人工智能則將此帶向了不同的方向。Arteris首席市場(chǎng)官M(fèi)ichal Siwinski說(shuō)：“智能人工智能作為一個(gè)概念的好處在于，你可以把它看作是人類——只是人工的?！薄澳慊旧腺x予它更高的自由度去執(zhí)行特定任務(wù)，然后根據(jù)不同權(quán)衡層級(jí)協(xié)調(diào)這些任務(wù)協(xié)同工作。你愿意給予多少自由度，取決于環(huán)中人會(huì)繼續(xù)參與過(guò)程。你沒有一個(gè)工程師部門可以讓一個(gè)人專注于績(jī)效，另一個(gè)專注于面積、吞吐量或整體進(jìn)度。你基本上有這樣一個(gè)小團(tuán)隊(duì)——只是AI代理對(duì)人類代理，他們各自有自己的專業(yè)領(lǐng)域?！?/p>

在這方面進(jìn)展迅速。Partcl聯(lián)合創(chuàng)始人兼首席技術(shù)官Vamshi Balanaga表示：“需要進(jìn)行大量工具迭代。”“例如，工具設(shè)置和基于測(cè)試平臺(tái)或PPA結(jié)果的RTL更新，最好通過(guò)代理來(lái)調(diào)用工具，類似于當(dāng)今人類的行為。目前，特工們?cè)谶@方面還不算擅長(zhǎng)，但隨著工具被修改以增強(qiáng)推理能力，他們會(huì)越來(lái)越好。”

這能讓更多工程師更容易構(gòu)建可用的流程。Cadence戰(zhàn)略與新業(yè)務(wù)集團(tuán)總監(jiān)Rob Knoth表示：“它在前端價(jià)值巨大，比如你可能想從規(guī)范到RTL、SystemC，或者將上一代設(shè)計(jì)的規(guī)范過(guò)渡到下一代設(shè)計(jì)。”“我怎么能創(chuàng)造衍生產(chǎn)品來(lái)滿足這個(gè)新市場(chǎng)？這是一個(gè)豐富且重要的行業(yè)，基于LLM的人工智能、生成式人工智能、代理人工智能擁有巨大的展示價(jià)值的機(jī)會(huì)。那是它天生擅長(zhǎng)的游泳池，也極具價(jià)值?！?/p>

在某些情況下，將人工智能集成到工具中也能帶來(lái)很大價(jià)值?！皻v史上，我們外部使用人工智能用于一個(gè)應(yīng)用，”西門子的古普塔說(shuō)。“然后我們做了一些基準(zhǔn)測(cè)試，看看通過(guò)將AI與求解器本身結(jié)合能獲得的優(yōu)勢(shì)。通過(guò)將其與求解器結(jié)合，我們實(shí)現(xiàn)了2倍到30倍的性能優(yōu)勢(shì)，而求解器直接向AI傳遞的信息是API無(wú)法獲得的。”

內(nèi)心爭(zhēng)論往往基于你試圖解決的問(wèn)題。Partcl的Balanaga說(shuō)：“與物理過(guò)程的連接越深，神經(jīng)網(wǎng)絡(luò)在工具中需要越緊密集成。”“既然物理設(shè)計(jì)工具正在解決這些復(fù)雜的三維優(yōu)化問(wèn)題，將我們訓(xùn)練好的模型深度集成到優(yōu)化器中，幫助我們找到更好的解決方案，是有意義的。”

抽象需求需要
新的模型向左移動(dòng)。這些模型需要具備適當(dāng)?shù)募?xì)節(jié)和執(zhí)行性能?！拔覀儺?dāng)然可以在晶體管層面處理這些物理和多物理問(wèn)題，”Gupta說(shuō)?！靶袠I(yè)已經(jīng)這樣做很長(zhǎng)時(shí)間了。這從工藝設(shè)計(jì)套件（PDK）開始。這些工具包能提供晶體管性能的信息，比如IV曲線。然后我們利用機(jī)器學(xué)習(xí)和強(qiáng)化學(xué)習(xí)從這些數(shù)據(jù)構(gòu)建數(shù)值模型，進(jìn)行預(yù)測(cè)并處理這些多物理問(wèn)題。”

這些抽象開始影響流程的許多方面?！霸趦?yōu)化方面，決策至關(guān)重要，通常會(huì)使用某種模型，”弗勞恩霍夫IIS自適應(yīng)系統(tǒng)工程部高級(jí)混合信號(hào)自動(dòng)化組經(jīng)理Benjamin Prautsch說(shuō)?！袄纾壳坝醒芯啃碌膬?yōu)化方法，繞過(guò)涉及3D電磁求解器的昂貴仿真。它們使用經(jīng)過(guò)合理數(shù)量且昂貴的初始模擬訓(xùn)練的網(wǎng)絡(luò)。使用這些訓(xùn)練好的設(shè)計(jì)模型，優(yōu)化過(guò)程顯著加速，從而獲得更好的整體結(jié)果。然而，必須強(qiáng)調(diào)，初始仿真和培訓(xùn)的投資應(yīng)與節(jié)省的比例保持良好?！?/p>

在過(guò)去幾年里，大型語(yǔ)言模型（LLM）成為了焦點(diǎn)?！爸苯討?yīng)用大型語(yǔ)言模型（LLM）并不會(huì)帶來(lái)太大進(jìn)展，”巴拉納加說(shuō)。“語(yǔ)言模型并不適合處理需要編碼到專業(yè)AI模型中的詳細(xì)物理信息。使用人工智能處理接近物理的問(wèn)題需要謹(jǐn)慎處理，而且注入領(lǐng)域知識(shí)融入模型設(shè)計(jì)和培訓(xùn)中。”

EDA專用領(lǐng)域模型仍在不斷發(fā)展。Synopsys的Thiruvengadam表示：“目前這些模型相當(dāng)強(qiáng)大，基礎(chǔ)模型及其所具備的知識(shí)也在不斷進(jìn)步?！薄盎A(chǔ)模型具備某些功能，并且有一種方法可以定制這些基礎(chǔ)模型。這正是在EDA的背景下，他們需要根據(jù)其特定領(lǐng)域和上下文定制LLMs。這就是提高該領(lǐng)域響應(yīng)準(zhǔn)確性的方式?！?/p>

這并不像聽起來(lái)那么簡(jiǎn)單?！爱?dāng)人們談?wù)撐锢砣斯ぶ悄軙r(shí)，他們是在從生成式和代理型人工智能的角度來(lái)談?wù)撍?，”古普塔說(shuō)?！皻v史上，它始于能夠很好地理解語(yǔ)言的大型語(yǔ)言模型?，F(xiàn)在，正在投入大量資金，將這一領(lǐng)域從語(yǔ)言模型擴(kuò)展到物理模型，并能夠處理除語(yǔ)言之外的其他領(lǐng)域。”

已經(jīng)取得了一些成功?！岸辔锢硪馕吨缭蕉鄠€(gè)物理領(lǐng)域的問(wèn)題，而如今的大型語(yǔ)言模型并不適合處理這些問(wèn)題，”Normal Computing的產(chǎn)品工程負(fù)責(zé)人Arvind Srinivasan說(shuō)?！皻v史上，我們通過(guò)仿真解決了這些問(wèn)題。現(xiàn)在人們正嘗試將物理嵌入AI訓(xùn)練中。AlphaFold是黃金標(biāo)準(zhǔn)：它結(jié)合了強(qiáng)化學(xué)習(xí)、物理約束和仿真。它之所以有效，是因?yàn)槟憧梢钥焖倬芙^無(wú)效的蛋白質(zhì)折疊。在硬件中，運(yùn)行完整仿真需要數(shù)小時(shí)，所以你無(wú)法獲得那種快速的獎(jiǎng)勵(lì)信號(hào)。這是一個(gè)大問(wèn)題?！?/p>

EDA可以使用哪些相關(guān)的設(shè)計(jì)和驗(yàn)證模型？“人工智能正在實(shí)現(xiàn)語(yǔ)言與數(shù)學(xué)結(jié)構(gòu)之間的聯(lián)系，”Fraunhofer的Prautsch說(shuō)。“這可以是一個(gè)約束圖，這在EDA中很常見。AI很可能會(huì)作為需求轉(zhuǎn)化為結(jié)構(gòu)，或其初步部分或約束，并且惡習(xí)反過(guò)來(lái)確認(rèn)?！?/span>

隨著現(xiàn)有算法需要更加關(guān)注多物理問(wèn)題，我們有機(jī)會(huì)評(píng)估AI輔助的優(yōu)勢(shì)。Balanaga說(shuō)：“位置感知門大小是一個(gè)非常接近物理學(xué)的問(wèn)題，但正是深度神經(jīng)網(wǎng)絡(luò)在解決方面展現(xiàn)出潛力的問(wèn)題類型?！薄霸撃Ｐ退龅墓ぷ飨喈?dāng)于數(shù)十年來(lái)手工調(diào)優(yōu)的啟發(fā)式算法。我們的理念與AlphaGo的做法相呼應(yīng)，后者通過(guò)發(fā)現(xiàn)更優(yōu)的決策過(guò)程，超越了手工調(diào)優(yōu)的專家系統(tǒng)。解決方案是合成數(shù)據(jù)與強(qiáng)化學(xué)習(xí)的結(jié)合。”

AI生成模型
半導(dǎo)體設(shè)計(jì)的基石 利用晶體管抽象來(lái)提供門級(jí)模型。這些模型具有足夠的精度和更高的仿真速度。向左移動(dòng)需要在開發(fā)流程的各個(gè)階段實(shí)現(xiàn)明智決策的抽象，這需要大量新模型。但模型的創(chuàng)建和驗(yàn)證成本很高。這促使許多人開始依賴人工智能來(lái)創(chuàng)建必要的模型，這些模型既可以用傳統(tǒng)引擎執(zhí)行，也可以像推斷AI模型一樣進(jìn)行。

模擬驗(yàn)證需要快速但準(zhǔn)確的模型。Prautsch表示：“驗(yàn)證將通過(guò)加速生成系統(tǒng)仿真所需的替代模型來(lái)支持?！薄斑@對(duì)于實(shí)現(xiàn)系統(tǒng)級(jí)建模非常重要，尤其是在AMS中乏味仿真可以被基于人工智能的替代模型所取代?！?/span>

EDA一直使用數(shù)據(jù)驅(qū)動(dòng)的方法，比如模擬退火?！吧墒紸I的真正區(qū)別在于，你可以用過(guò)去的模擬數(shù)據(jù)作為非常大型模型的訓(xùn)練數(shù)據(jù)，以改進(jìn)下游模擬，或者定制大型語(yǔ)言模型，將龐大規(guī)格轉(zhuǎn)化為物理約束，”Normal的Srinivasan說(shuō)。“但如果驗(yàn)證AI生成的RTL或測(cè)試計(jì)劃所需的時(shí)間和自己制作一樣長(zhǎng)，那你就沒有節(jié)省任何時(shí)間。AI無(wú)法取代那些審查它生成材料并不能真正減輕工作量的領(lǐng)域?！?/p>

這項(xiàng)技術(shù)正在逐漸普及。“你可以拿一個(gè)設(shè)計(jì)，然后在該設(shè)計(jì)上訓(xùn)練模型，”Ansys（現(xiàn)為Synopsys一部分）電子與半導(dǎo)體業(yè)務(wù)部門總監(jiān)Rich Goldman說(shuō)?！暗阈枰罅繑?shù)據(jù)。成千上萬(wàn)個(gè)數(shù)據(jù)點(diǎn)構(gòu)成掃描的一部分。你對(duì)設(shè)計(jì)做些修改，運(yùn)行以獲得結(jié)果，然后再稍微調(diào)整一個(gè)參數(shù)，然后再進(jìn)行掃描。這就是你的訓(xùn)練數(shù)據(jù)集。一旦你訓(xùn)練了這個(gè)AI模型，這需要很長(zhǎng)時(shí)間，你就將其應(yīng)用到設(shè)計(jì)中，幾乎能即時(shí)得到結(jié)果。所有這些需要數(shù)周甚至數(shù)月的運(yùn)行，你都能即時(shí)獲得。你可以將其應(yīng)用于許多不同的設(shè)計(jì)、許多不同的迭代，得到最佳設(shè)計(jì)。這不會(huì)給你100%準(zhǔn)確的結(jié)果，但至少能達(dá)到90%到95%的準(zhǔn)確率?！?/p>

小型語(yǔ)言模型（SLMs）在這方面有幫助，因?yàn)樗鼈兛梢葬槍?duì)特定問(wèn)題進(jìn)行定位，從而降低成本并降低模型的復(fù)雜性。但從FP32縮小到FP16及以下，也引發(fā)了關(guān)于結(jié)果準(zhǔn)確性的一些疑問(wèn)。

“你想從更大的模型中提煉知識(shí)，注入“它被壓縮成更小的模型，同時(shí)也能修剪權(quán)重，”ChipAgents首席執(zhí)行官William Wang說(shuō)。“所以你可能用8位來(lái)存儲(chǔ)權(quán)重，而不是用16位。一切都被壓縮了。有很多知名算法可以壓縮權(quán)重并使其變小，但你也需要達(dá)到一定的精度水平?！?/span>

EDA中數(shù)據(jù)稀缺性使情況更加嚴(yán)重。“與人工智能相關(guān)的最重要問(wèn)題之一是獲取足夠的訓(xùn)練數(shù)據(jù)，使LLM的質(zhì)量達(dá)到可信的水平，”Breker驗(yàn)證系統(tǒng)首席執(zhí)行官Dave Kelf表示?！拔覀儸F(xiàn)在看到SLM和其他技術(shù)的應(yīng)用以解決數(shù)據(jù)稀疏問(wèn)題，正是這種思維推動(dòng)了AI的實(shí)際應(yīng)用。將AI專業(yè)知識(shí)與EDA經(jīng)驗(yàn)結(jié)合，對(duì)于優(yōu)化這些新技術(shù)的使用至關(guān)重要?！?/p>

強(qiáng)化學(xué)習(xí)可以從更小的數(shù)據(jù)集開始。“要進(jìn)行強(qiáng)化學(xué)習(xí)，你需要兩樣?xùn)|西，”巴拉納加說(shuō)。“對(duì)于位置感知門大小調(diào)整的問(wèn)題，你需要一個(gè)能夠預(yù)測(cè)的模型——例如，更好的門尺寸集合，以及一個(gè)運(yùn)行非?？斓臅r(shí)序分析引擎環(huán)境。訓(xùn)練過(guò)程在這個(gè)循環(huán)中進(jìn)行，模型在大量合成網(wǎng)表上探索各種不同的門尺寸。誠(chéng)然，這不如擁有大量帶有優(yōu)化門尺寸的網(wǎng)表效率，但沒有這些數(shù)據(jù)，我們必須花費(fèi)計(jì)算來(lái)生成數(shù)據(jù)?！?/p>

這會(huì)影響準(zhǔn)確性?！半S著抽象層次的提升，自然語(yǔ)言成為下一層抽象，扎實(shí)底層計(jì)算的基礎(chǔ)非常重要，”Cadence's Knoth說(shuō)?！澳銦o(wú)法進(jìn)入另一層抽象，而不相信你腳下實(shí)際發(fā)生的事情的準(zhǔn)確性。否則，這種抽象會(huì)失去準(zhǔn)確性，你的效果也會(huì)降低，最終結(jié)果也不會(huì)像它本可以有的那樣吸引人?！?/p>

關(guān)于準(zhǔn)確性的問(wèn)題在AI模型中很常見。“人們?cè)诠烙?jì)和相關(guān)性之間容易混淆，”Arteris的Siwinski說(shuō)?！叭绻苡型耆嚓P(guān)的內(nèi)容當(dāng)然很好，但很多事情會(huì)隨著工作量而變化。你在系統(tǒng)層面做一些事情，希望它能與實(shí)現(xiàn)方式一一對(duì)應(yīng)。我們?cè)诩軜?gòu)層面權(quán)衡中建立了物理感知的概念，基本上通過(guò)布局和路線計(jì)算獲得足夠的信息，了解布局、擁堵、阻塞以及線路長(zhǎng)度計(jì)算，同時(shí)理解電力的影響。通常，前端團(tuán)隊(duì)會(huì)做點(diǎn)什么，后端團(tuán)隊(duì)會(huì)說(shuō)，'這行不通。'我們正努力建立足夠多的關(guān)懷和關(guān)鍵績(jī)效指標(biāo)，確保早期不能違反。這只是個(gè)近似，但已經(jīng)足夠好了。流程的前半部分不僅僅是創(chuàng)造一些幻想、無(wú)法實(shí)現(xiàn)的東西?！?/p>

信任，但要核實(shí)?！坝ミ_(dá)展示了他們能夠利用替代模型大幅加速圖形渲染，”諾斯說(shuō)?！斑@些挑戰(zhàn)與我們簽署時(shí)面臨的類似。當(dāng)你看到這張圖片時(shí)，你相信它嗎？這一切都遵循基于物理的原則，所以我認(rèn)為我們不能排除人工智能在計(jì)算中的作用，但這并不改變第一原理的重要性。基于物理的算法，實(shí)際計(jì)算這些內(nèi)容，將是互補(bǔ)的。即使是那些替代模型，推斷很多像素，也需要計(jì)算種子來(lái)進(jìn)行推斷?！?/p>

人工智能貫穿整個(gè)流程
在軟件行業(yè)，人工智能現(xiàn)在被期望負(fù)責(zé)編寫代碼?！叭绻柯湓谠O(shè)計(jì)師專業(yè)知識(shí)和工具專業(yè)知識(shí)方面的知識(shí)能夠被記錄下來(lái)，那么你就有能力從中學(xué)習(xí)，”Thiruvengadam說(shuō)。“這就是大型語(yǔ)言模型的力量。我們所需要的只是以一種能夠被大型語(yǔ)言模型（LLM）吸收的方式捕獲這些知識(shí)。這樣LLM就能完成很多工作。你可以問(wèn)模型或生成應(yīng)用，'對(duì)于這個(gè)特定規(guī)格，合適的模擬架構(gòu)或拓?fù)涫鞘裁矗?#39;LLM會(huì)提供一個(gè)架構(gòu)推薦，附帶示例和大量其他輔助資料。”

還有人希望看到AI幫助制定規(guī)范和需求?！疤魬?zhàn)在于你有成千上萬(wàn)個(gè)需求，很難在其中發(fā)現(xiàn)邏輯錯(cuò)誤，”普勞奇說(shuō)?！斑@項(xiàng)任務(wù)通常是語(yǔ)言對(duì)邏輯，或者語(yǔ)言對(duì)某些數(shù)學(xué)表示，而這正是人工智能的一個(gè)甜蜜點(diǎn)?！?/p>

關(guān)鍵是它必須與工程師溝通。斯里尼瓦桑說(shuō)：“當(dāng)人們?cè)儐?wèn)推理時(shí)，他們通常指的是可解釋性——人類可以驗(yàn)證的輸出?！薄按笮驼Z(yǔ)言模型不像人類那樣推理。他們做變壓器解碼。但如果你限制他們輸出帶有步驟的計(jì)劃，這看起來(lái)像推理，對(duì)人類來(lái)說(shuō)變得可行。這并不是真正的推理。它是對(duì)我們展示輸出方式的限制，以便人們能夠與它們互動(dòng)。重點(diǎn)是設(shè)計(jì)人機(jī)協(xié)作，而不是讓機(jī)器像我們一樣思考?！?/p>

快速演進(jìn)
鑒于各種人工智能創(chuàng)新的速度，顯然行業(yè)將看到EDA工具和代理型AI工具的快速改進(jìn)，這些工具可以幫助工程師減輕工具迭代帶來(lái)的繁重任務(wù)?！懊刻於加行录夹g(shù)和新能力陸續(xù)發(fā)布，”古普塔說(shuō)?！拔覀円恢痹谠u(píng)估利用這些新技術(shù)在底層發(fā)展的機(jī)會(huì)，以加快進(jìn)度。EDA是獨(dú)一無(wú)二的。我們需要加快速度，跟隨行業(yè)與基礎(chǔ)技術(shù)的同步。我們將繼續(xù)看到人工智能能力進(jìn)入我們工具的速度持續(xù)增長(zhǎng)。”

工程師的角色也將隨之改變?！拔覀兤诖斯ぶ悄苣軌蜃寛F(tuán)隊(duì)構(gòu)建更多芯片，”Balanaga說(shuō)?！拔覀冾A(yù)計(jì)先進(jìn)智能體與改進(jìn)工具的結(jié)合將大幅提升設(shè)計(jì)能力，這將使人類精力轉(zhuǎn)向前期細(xì)致定義架構(gòu)規(guī)范。之后，AI將處理大部分后續(xù)任務(wù)，而人類則作為協(xié)調(diào)者，解決設(shè)計(jì)意圖中的任何歧義?！?/p>