AI 融入我們的世界看起來(lái)似乎來(lái)得突然且出人意料，但事實(shí)上，EDA 行業(yè)在過(guò)去十多年里一直在悄然采用 AI。真正發(fā)生變化的是，隨著大語(yǔ)言模型（LLM）的能力不斷增強(qiáng)，以及它們被應(yīng)用于愈發(fā)復(fù)雜的多物理場(chǎng)問(wèn)題中，AI 現(xiàn)在變得更加“可見(jiàn)”了。

AI 日益突出的地位背后，有兩個(gè)根本性的轉(zhuǎn)變。

首先，熱問(wèn)題正在成為更大封裝尺寸和更高集成度的障礙。因此，功耗、熱效應(yīng)和機(jī)械問(wèn)題如今已與構(gòu)建材料的物理屬性緊密綁定。

其次，左移（shift left）——即希望在設(shè)計(jì)流程的更早階段獲得更充分的信息，從而做出更明智的決策——正在與自頂向下的設(shè)計(jì)實(shí)踐相結(jié)合。這兩種變化共同推動(dòng)物理因素介入架構(gòu)層面的決策，包括 2.5D 和 3D 組件中的平面規(guī)劃、分區(qū)和集成選擇。

正是在這里，AI 能夠發(fā)揮作用，而且它是從兩個(gè)方向介入的。

一方面，AI 被集成在 EDA 工具內(nèi)部，使工具本身變得更強(qiáng)大、更靈活；另一方面，AI 存在于工具之外，為工程師提供有價(jià)值的數(shù)據(jù)。雖然這兩種方式可以共存，但它們使用的是不同形式的 AI。

此外，AI 還可以用于將這些內(nèi)容連接起來(lái)，通過(guò)構(gòu)建合適的、可執(zhí)行的設(shè)計(jì)和驗(yàn)證模型，作為物理器件的抽象。這些應(yīng)用場(chǎng)景可能促成方法學(xué)的提升，使設(shè)計(jì)過(guò)程更高效、結(jié)果更優(yōu)。

編者注：
在 EDA 語(yǔ)境中討論 AI 時(shí)，“模型”這一術(shù)語(yǔ)容易引起混淆，因?yàn)樗复煌膶?duì)象。
第一種是 AI 模型，例如大語(yǔ)言模型，由推理引擎基于訓(xùn)練結(jié)果生成答案。
第二種是 EDA 模型，它可能是設(shè)計(jì)或驗(yàn)證（DV）框架的一部分，由執(zhí)行引擎響應(yīng)激勵(lì)運(yùn)行，可能使用 AI，也可能不使用。
當(dāng) AI 模型被用來(lái)創(chuàng)建 EDA 模型的抽象時(shí)，這種混淆會(huì)更加嚴(yán)重。本文已盡可能對(duì)此加以澄清。

在工具內(nèi)部，還是工具之外？

多個(gè)因素會(huì)影響 AI 被部署的位置。AI 可以用來(lái)替代或增強(qiáng)工具中已有的算法，也可以更具“代理性（agentic）”，像工程師一樣驅(qū)動(dòng)工具運(yùn)行。

“AI 放在工具之外的一個(gè)優(yōu)勢(shì)是，我們可以做到工具無(wú)關(guān)，”西門(mén)子 EDA 定制 IC 事業(yè)部副總裁兼總經(jīng)理 Amit Gupta 表示。“這樣 AI 可以調(diào)用內(nèi)部開(kāi)發(fā)的工具，也可以調(diào)用第三方工具。AI 層負(fù)責(zé)智能地調(diào)用工具并與工具進(jìn)行迭代。那么，為什么還要把 AI 放到工具內(nèi)部？當(dāng)我們?cè)谇蠼馄鲗用孢M(jìn)行深度耦合時(shí)，優(yōu)勢(shì)在于可以利用更多知識(shí)和信息來(lái)訓(xùn)練 AI，這些信息通過(guò) API 是無(wú)法獲得的，由此還能帶來(lái)顯著的性能提升。”

其他人對(duì)此表示認(rèn)同。

“我們把 AI 看作是工具的伙伴，用來(lái)增強(qiáng)工具，而不是取代工具，”Synopsys 產(chǎn)品管理高級(jí)總監(jiān) Anand Thiruvengadam 說(shuō)，“我們并不認(rèn)為工具會(huì)被移出流程。尤其是在簽核階段，工具永遠(yuǎn)必須在環(huán)。AI 可以做大量前端工作，可以用于預(yù)測(cè)、優(yōu)化等，但最終仍然需要工具作為護(hù)欄來(lái)完成簽核。”

代理式 AI（Agentic AI） 則將問(wèn)題帶向了另一個(gè)方向。

“代理式 AI 的美妙之處在于，你可以把它視為人類(lèi)——只是人工的，”Arteris 首席市場(chǎng)官 Michal Siwinski 說(shuō)，“你賦予它更高的自由度去完成特定任務(wù)，然后協(xié)調(diào)這些任務(wù)，根據(jù)不同層級(jí)的權(quán)衡共同運(yùn)作。你給予它多大的自由度，決定了‘人類(lèi)在環(huán)’仍然如何參與流程。現(xiàn)實(shí)中你不可能有一個(gè)工程師團(tuán)隊(duì)，每個(gè)人只專(zhuān)注性能、面積、吞吐或進(jìn)度。但你可以擁有一個(gè)小團(tuán)隊(duì)——只是它由 AI 代理組成，而不是人類(lèi)工程師，每個(gè)代理都有自己的專(zhuān)業(yè)領(lǐng)域。”

這一方向正在快速推進(jìn)。

“工具層面的迭代需求非常大，”P(pán)artcl 聯(lián)合創(chuàng)始人兼 CTO Vamshi Balanaga 表示，“例如，根據(jù)測(cè)試平臺(tái)或 PPA 結(jié)果調(diào)整工具參數(shù)和 RTL，這些工作非常適合由像人類(lèi)一樣調(diào)用工具的代理來(lái)完成。目前代理在這方面還不夠成熟，但它們會(huì)變得越來(lái)越好，尤其是當(dāng)工具本身被改造以增強(qiáng)推理能力之后。”

這也有助于構(gòu)建對(duì)更多工程師友好的設(shè)計(jì)流程。

“在前端階段，它具有巨大價(jià)值，比如從規(guī)格直接生成 RTL、SystemC，或者基于上一代設(shè)計(jì)規(guī)格派生出下一代產(chǎn)品，”Cadence 戰(zhàn)略與新業(yè)務(wù)集團(tuán)總監(jiān) Rob Knoth 說(shuō)，“如何快速創(chuàng)建一個(gè)滿足新市場(chǎng)需求的衍生產(chǎn)品？這是一個(gè)非常重要、極具潛力的領(lǐng)域。基于 LLM 的 AI、生成式 AI、代理式 AI，在這里有著天然優(yōu)勢(shì)，可以創(chuàng)造巨大的價(jià)值。”

在某些情況下，將 AI 深度集成進(jìn)工具內(nèi)部也能帶來(lái)顯著價(jià)值。

“歷史上，我們?cè)鴮?AI 用于工具外部的某個(gè)單一應(yīng)用，”Gupta 說(shuō)，“后來(lái)我們做了一些基準(zhǔn)測(cè)試，發(fā)現(xiàn)如果將 AI 與求解器本身進(jìn)行耦合，效果會(huì)好得多。通過(guò)直接從求解器向 AI 提供信息，我們獲得了 2 倍到 30 倍 的性能提升，而這些信息是通過(guò) API 無(wú)法獲得的。”

是否選擇內(nèi)部集成，往往取決于要解決的問(wèn)題類(lèi)型。

“問(wèn)題越接近物理本質(zhì)，神經(jīng)網(wǎng)絡(luò)就越需要與工具進(jìn)行深度集成，”Balanaga 說(shuō)，“物理設(shè)計(jì)工具在解決極其復(fù)雜的 3D 優(yōu)化問(wèn)題，因此將訓(xùn)練好的模型深度嵌入優(yōu)化器，有助于找到更優(yōu)解。”

對(duì)抽象模型的需求

左移設(shè)計(jì) 需要新的模型。這些模型必須在細(xì)節(jié)與執(zhí)行性能之間取得平衡。

“我們當(dāng)然可以在晶體管級(jí)別處理這些物理和多物理場(chǎng)問(wèn)題，”Gupta 表示，“行業(yè)已經(jīng)這么做了很多年。一切從工藝設(shè)計(jì)套件（PDK）開(kāi)始，它們提供晶體管性能信息，例如 IV 曲線。然后我們使用機(jī)器學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，從這些數(shù)據(jù)中構(gòu)建數(shù)值模型，用于預(yù)測(cè)并處理多物理場(chǎng)問(wèn)題。”

這些抽象模型正開(kāi)始影響設(shè)計(jì)流程的多個(gè)方面。

“在優(yōu)化過(guò)程中，決策至關(guān)重要，而通常需要某種模型來(lái)輔助決策，”Fraunhofer IIS 自適應(yīng)系統(tǒng)工程部門(mén)先進(jìn)混合信號(hào)自動(dòng)化團(tuán)隊(duì)負(fù)責(zé)人 Benjamin Prautsch 說(shuō)，“例如，目前有研究提出新的優(yōu)化方法，可以繞過(guò)昂貴的 3D 電磁仿真。這些方法使用由一定數(shù)量初始（且昂貴）仿真結(jié)果訓(xùn)練得到的網(wǎng)絡(luò)。隨后，優(yōu)化過(guò)程通過(guò)這些訓(xùn)練好的設(shè)計(jì)模型大幅加速，從而獲得更優(yōu)的整體結(jié)果。不過(guò)必須強(qiáng)調(diào)的是，前期仿真和訓(xùn)練的投入，必須與后續(xù)節(jié)省的成本形成合理的比例。”

過(guò)去幾年，大語(yǔ)言模型幾乎搶走了所有風(fēng)頭。

“直接應(yīng)用 LLM 并不會(huì)讓你走得太遠(yuǎn)，”Balanaga 說(shuō)，“語(yǔ)言模型并不擅長(zhǎng)處理需要編碼進(jìn)專(zhuān)用 AI 模型中的細(xì)粒度物理信息。將 AI 用于接近物理的問(wèn)題時(shí)，需要非常謹(jǐn)慎的處理方式，并在模型設(shè)計(jì)和訓(xùn)練中注入領(lǐng)域知識(shí)。”

EDA 專(zhuān)用的領(lǐng)域模型仍在不斷演進(jìn)。

“目前這些模型已經(jīng)相當(dāng)有能力，而且基礎(chǔ)模型及其所掌握的知識(shí)正在快速進(jìn)步，”Synopsys 的 Thiruvengadam 表示，“基礎(chǔ)模型具備通用能力，而在 EDA 場(chǎng)景中，必須對(duì)這些 LLM 進(jìn)行定制，使其適配特定領(lǐng)域和上下文，才能提高響應(yīng)的準(zhǔn)確性。”

但這并不容易。

“當(dāng)人們談?wù)摗锢?AI’時(shí)，往往是從生成式和代理式 AI 的角度出發(fā)，”Gupta 說(shuō)，“最初是大語(yǔ)言模型擅長(zhǎng)理解語(yǔ)言。現(xiàn)在，人們正投入大量資源，將其擴(kuò)展為能夠處理物理問(wèn)題的模型，覆蓋語(yǔ)言以外的其他領(lǐng)域。”

已有一些成功案例。

“多物理場(chǎng)意味著跨越多個(gè)物理域的問(wèn)題，而當(dāng)前的 LLM 并不擅長(zhǎng)處理這些問(wèn)題，”Normal Computing 產(chǎn)品工程負(fù)責(zé)人 Arvind Srinivasan 說(shuō)，“歷史上，我們依靠仿真來(lái)解決這些問(wèn)題。現(xiàn)在，人們嘗試將物理約束嵌入 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。這之所以可行，是因?yàn)榭梢钥焖俜穸ú缓侠淼牡鞍踪|(zhì)折疊。而在硬件領(lǐng)域，完整仿真往往需要數(shù)小時(shí)，無(wú)法獲得快速的獎(jiǎng)勵(lì)信號(hào)，這是一個(gè)巨大的挑戰(zhàn)。”

那么，EDA 能夠使用哪些設(shè)計(jì)和驗(yàn)證模型？

“AI 正在建立語(yǔ)言與數(shù)學(xué)結(jié)構(gòu)之間的連接，”P(pán)rautsch 說(shuō)，“例如約束圖，這是 EDA 中常見(jiàn)的結(jié)構(gòu)。AI 很可能充當(dāng)從需求到結(jié)構(gòu)（或部分結(jié)構(gòu)與約束）的轉(zhuǎn)換器，反之亦然，用于驗(yàn)證。”

隨著現(xiàn)有算法需要更好地感知多物理場(chǎng)問(wèn)題，AI 輔助的價(jià)值也日益顯現(xiàn)。

“考慮布局感知的門(mén)級(jí)尺寸調(diào)整，這是一個(gè)非常接近物理的問(wèn)題，同時(shí)也是深度神經(jīng)網(wǎng)絡(luò)已展現(xiàn)出潛力的典型問(wèn)題，”Balanaga 說(shuō)，“該模型本質(zhì)上是在執(zhí)行過(guò)去幾十年人工調(diào)優(yōu)的啟發(fā)式規(guī)則。我們的理念類(lèi)似 AlphaGo —— 它通過(guò)發(fā)現(xiàn)更優(yōu)的決策過(guò)程，超越了人工調(diào)優(yōu)的專(zhuān)家系統(tǒng)。解決方案結(jié)合了合成數(shù)據(jù)和強(qiáng)化學(xué)習(xí)。”

AI 生成的模型

半導(dǎo)體設(shè)計(jì)的核心之一，是使用對(duì)晶體管的抽象來(lái)構(gòu)建門(mén)級(jí)模型。這些模型在保持足夠精度的同時(shí)，擁有更高的仿真速度。

左移設(shè)計(jì)要求在開(kāi)發(fā)流程的各個(gè)階段都能進(jìn)行有信息支撐的決策，這需要大量新的模型。然而，模型的創(chuàng)建和驗(yàn)證成本極高，這促使人們希望借助 AI 來(lái)生成這些模型，無(wú)論是由傳統(tǒng)引擎執(zhí)行，還是作為 AI 模型進(jìn)行推理。

模擬與驗(yàn)證領(lǐng)域尤其需要快速而準(zhǔn)確的模型。

“驗(yàn)證將通過(guò)加速生成代理模型來(lái)獲得支持，用于系統(tǒng)級(jí)仿真，”P(pán)rautsch 表示，“這對(duì)于系統(tǒng)級(jí)建模尤為重要，尤其是在 AMS 場(chǎng)景中，可以用基于 AI 的代理模型替代冗長(zhǎng)的仿真。”

EDA 一直在使用數(shù)據(jù)驅(qū)動(dòng)的方法，例如模擬退火。

“生成式 AI 的真正不同之處在于，你可以利用歷史仿真作為訓(xùn)練數(shù)據(jù)，構(gòu)建大型模型來(lái)改進(jìn)后續(xù)仿真，或者使用定制 LLM 將龐大的規(guī)格說(shuō)明翻譯為物理約束，”Srinivasan 說(shuō)，“但如果驗(yàn)證 AI 生成的 RTL 或測(cè)試計(jì)劃所需時(shí)間，與手工構(gòu)建幾乎一樣，那就沒(méi)有節(jié)省任何時(shí)間。AI 不會(huì)取代那些審查成本并未降低的領(lǐng)域。”

這種技術(shù)正在逐步落地。

“你可以基于一個(gè)設(shè)計(jì)來(lái)訓(xùn)練模型，”現(xiàn)已并入 Synopsys 的 Ansys 電子與半導(dǎo)體業(yè)務(wù)部門(mén)總監(jiān) Rich Goldman 說(shuō)，“但你需要大量數(shù)據(jù)，成千上萬(wàn)個(gè)數(shù)據(jù)點(diǎn)，形成參數(shù)掃描。你不斷微調(diào)設(shè)計(jì)并運(yùn)行仿真，再調(diào)整一個(gè)參數(shù)，再運(yùn)行一次，這些構(gòu)成訓(xùn)練數(shù)據(jù)集。一旦模型訓(xùn)練完成——這本身需要很長(zhǎng)時(shí)間——你就可以幾乎瞬間獲得結(jié)果。原本需要數(shù)周甚至數(shù)月的運(yùn)行，現(xiàn)在可以立即得到。你可以將其應(yīng)用于不同設(shè)計(jì)和迭代，找到最優(yōu)解。它無(wú)法達(dá)到 100% 精度，但可以達(dá)到 90%–95%。”

小語(yǔ)言模型（SLM） 在這里也能發(fā)揮作用，因?yàn)樗鼈兛梢葬槍?duì)特定問(wèn)題定制，從而降低成本和復(fù)雜度。但從 FP32 縮減到 FP16 甚至更低精度，也引發(fā)了對(duì)結(jié)果準(zhǔn)確性的擔(dān)憂。

“你需要從更大的模型中蒸餾知識(shí)，并注入到更小的模型中，同時(shí)還要對(duì)權(quán)重進(jìn)行剪枝，”ChipAgents CEO William Wang 表示，“比如將 16 位權(quán)重壓縮為 8 位。一切都在壓縮。但在此過(guò)程中，仍然必須達(dá)到一定的準(zhǔn)確性水平。”

EDA 中的數(shù)據(jù)稀缺問(wèn)題進(jìn)一步加劇了挑戰(zhàn)。

“AI 面臨的最大問(wèn)題之一，是獲取足夠的訓(xùn)練數(shù)據(jù)，以使 LLM 達(dá)到可靠水平，”Breker Verification Systems CEO Dave Kelf 說(shuō)，“我們正在看到 SLM 等方法被用于緩解數(shù)據(jù)稀缺問(wèn)題。正是這種思路，將推動(dòng) AI 在 EDA 中的實(shí)際應(yīng)用。AI 專(zhuān)業(yè)能力與 EDA 經(jīng)驗(yàn)的結(jié)合至關(guān)重要。”

強(qiáng)化學(xué)習(xí)可以從較小的數(shù)據(jù)集起步。

“強(qiáng)化學(xué)習(xí)需要兩個(gè)要素，”Balanaga 說(shuō)，“以布局感知門(mén)級(jí)尺寸調(diào)整為例，你需要一個(gè)能夠預(yù)測(cè)更優(yōu)門(mén)尺寸的模型，以及一個(gè)運(yùn)行速度極快的環(huán)境，比如時(shí)序分析引擎。訓(xùn)練就在這個(gè)循環(huán)中進(jìn)行，模型在大量合成網(wǎng)表上探索不同的門(mén)尺寸組合。誠(chéng)然，這不如直接擁有大量已優(yōu)化網(wǎng)表高效，但在數(shù)據(jù)不存在的情況下，我們只能通過(guò)計(jì)算來(lái)生成數(shù)據(jù)。”

抽象層級(jí)的提升也會(huì)影響準(zhǔn)確性。

“當(dāng)你進(jìn)入更高層級(jí)的抽象，尤其是自然語(yǔ)言這一抽象層時(shí)，對(duì)底層計(jì)算的信任至關(guān)重要，”Knoth 表示，“如果你對(duì)底層發(fā)生的事情沒(méi)有足夠信心，那么更高層的抽象就會(huì)失去準(zhǔn)確性，效率下降，最終結(jié)果也不會(huì)令人滿意。”

關(guān)于 AI 模型準(zhǔn)確性的討論十分常見(jiàn)。

“人們常常混淆‘估計(jì)’與‘相關(guān)性’，”Siwinski 說(shuō)，“我們當(dāng)然希望完全相關(guān)，但很多事情會(huì)隨工作負(fù)載變化。在系統(tǒng)級(jí)做出的決策，并不一定能一比一映射到實(shí)現(xiàn)層面。我們?cè)诩軜?gòu)級(jí)權(quán)衡中引入了物理感知，通過(guò)從布局布線中獲取關(guān)于擁塞、阻塞、線長(zhǎng)和功耗影響的信息。傳統(tǒng)流程中，前端做完，后端往往會(huì)說(shuō)‘這行不通’。我們?cè)噲D在早期階段就構(gòu)建足夠多的關(guān)注點(diǎn)和 KPI，使設(shè)計(jì)不會(huì)偏離可實(shí)現(xiàn)性。這是一種近似，但已經(jīng)足夠好，可以避免前端設(shè)計(jì)淪為不可實(shí)現(xiàn)的幻想。”

信任，但要驗(yàn)證。

“NVIDIA 展示了使用代理模型大幅加速圖形渲染的能力，”Knoth 說(shuō)，“這與我們?cè)诤灪穗A段面臨的挑戰(zhàn)類(lèi)似。當(dāng)你看到一張圖像時(shí)，你是否信任它？這仍然基于物理原理。我不認(rèn)為 AI 在計(jì)算中的角色可以被排除，但它無(wú)法取代第一性原理。基于物理的算法仍然是互補(bǔ)的。即便是代理模型，在推斷大量像素時(shí)，仍然需要計(jì)算一個(gè)種子作為推理基礎(chǔ)。”

AI 貫穿整個(gè)設(shè)計(jì)流程

在軟件行業(yè)，AI 已被期望用于生成代碼。

“如果能夠記錄設(shè)計(jì)人員和工具使用中的‘隱性知識(shí)’，就有可能從中學(xué)習(xí)，”Thiruvengadam 表示，“這正是 LLM 的力量所在。只要將這些知識(shí)以可被 LLM 吸收的形式捕獲，LLM 就能完成大量工作。你可以問(wèn)它：‘針對(duì)這個(gè)規(guī)格，最合適的模擬架構(gòu)或拓?fù)涫鞘裁矗俊疞LM 會(huì)給出架構(gòu)建議，并附帶示例和大量輔助資料。”

還有人希望 AI 能夠幫助處理規(guī)格與需求。

“挑戰(zhàn)在于，需求往往成千上萬(wàn)，很難識(shí)別其中的邏輯錯(cuò)誤，”P(pán)rautsch 說(shuō)，“這本質(zhì)上是從語(yǔ)言到邏輯，或到數(shù)學(xué)表示的轉(zhuǎn)換，而這正是 AI 的優(yōu)勢(shì)領(lǐng)域。”

關(guān)鍵在于 與工程師溝通。

“當(dāng)人們談?wù)摗评怼瘯r(shí)，往往真正想要的是‘可解釋性’——人類(lèi)可以驗(yàn)證的輸出，”Srinivasan 說(shuō)，“LLM 并不像人類(lèi)那樣推理，它們只是進(jìn)行 Transformer 解碼。但如果你強(qiáng)制它輸出帶步驟的計(jì)劃，看起來(lái)就像推理，也就變得可用。這并不是真正的推理，而是一種輸出約束，目的是讓人類(lèi)可以與之交互。核心在于人機(jī)協(xié)作設(shè)計(jì)，而不是讓機(jī)器像人一樣思考。”

快速演進(jìn)

鑒于 AI 各個(gè)方向的創(chuàng)新速度，可以預(yù)見(jiàn)，EDA 工具內(nèi)部和代理式 AI 工具都將迅速進(jìn)化，幫助工程師減輕大量繁瑣的工具迭代工作。

“新技術(shù)和新能力每天都在發(fā)布，”Gupta 說(shuō)，“我們不斷評(píng)估將這些技術(shù)引入底層架構(gòu)的機(jī)會(huì)，以提升速度。EDA 是獨(dú)特的，我們必須跟上基礎(chǔ)技術(shù)的發(fā)展節(jié)奏。未來(lái)，AI 能力在工具中的增長(zhǎng)速度只會(huì)越來(lái)越快。”

隨之而來(lái)的，是工程師角色的變化。

“我們預(yù)計(jì)，AI 將使團(tuán)隊(duì)能夠設(shè)計(jì)更多芯片，”Balanaga 表示，“先進(jìn)代理與改進(jìn)工具的結(jié)合，將極大擴(kuò)展設(shè)計(jì)能力。人類(lèi)的精力將更多集中在前期架構(gòu)規(guī)格的精確定義上。之后，大部分下游工作將由 AI 完成，而人類(lèi)則作為協(xié)調(diào)者，解決設(shè)計(jì)意圖中的歧義。”