本文来自微信公众号：半导体行业观察 （ID：icbank），作者：杜芹DQ，题图来自：视觉中国
最近人工智能因为在ChatGPT等自然语言处理器方面的惊人能力而受到更多关注，但除此之外，AI还在其他多个领域慢慢产生影响，譬如将AI用于芯片设计。由于芯片设计复杂度和精度要求的不断提高，传统设计方法已经难以满足需求。人工智能技术的快速发展为芯片设计带来了新的可能性。现在越来越多的芯片产业链的厂商开始探索借助AI的方法来帮助芯片设计，那么芯片工程师该何去何从？
本文将介绍一些芯片巨头利用AI技术在芯片布局中的突破，AI可以在芯片布局中发挥重要作用的原因在于其优异的图像识别能力。
将谷歌的方法与最先进的方法（RePlAce14）以及使用行业标准EDA工具的手动放置进行比较。具体比较的指标有花费的时间、总的面积、功耗、线长等等，对于该表中的所有指标，越低越好。可以看出，谷歌的强化学习方法均优于其他两种。
谷歌的研究团队表示，随着人工智能接触到更多数量和种类的芯片，它可以通过不断地培训学习，会更快更好地为新芯片块生成优化布局，虽然我们主要在谷歌加速器芯片 （TPU） 上生成优化的布局，但我们的方法适用于任何类型ASIC芯片。
在与最先进的全球布局算法家族ePlace/RePlAce的对比中，DREAMPlace在全局布局和合理化方面实现了30倍以上的加速，且没有理论和工业基准的质量下降。更具体地来说，它能使100万个单元的设计在1分钟内就能完成。英伟达探索了用于向前和向后传播的低级操作符的不同实现（前向传播来计算目标，后向传播来计算梯度），以提高整体效率。
此外，DREAMPlace是高度可扩展的，可以通过简单地编写高级编程语言（如Python）来合并新的算法/求解器和新的目标，其工业设计可达1000万个单元。英伟达计划进一步研究单元膨胀的可路由性和时间优化的净加权，以及GPU加速的详细布局。它还可以扩展到利用多GPU平台来进一步加速。由于DREAMPlace分离了高级算法设计符号和低级加速工作，因此它显著降低了开发和维护开销。英伟达的这项工作将为重新审视经典的EDA问题开辟新的方向。
但是，由于其对线长和密度的关注有限，DREAMPlace的布局质量无法与商业工具相比，这使得它很难适用于工业设计流程。为了解决这一问题，英伟达科学家近日的一项研究文章中提出了一种新方法——DREAM-GAN，这是一种使用生成对抗学习推进 DREAMPlace的布局优化框架。DREAM-GAN的最大优势在于，它使DREAMPlace能够朝着工具验证（和优化）的方向优化底层位置，而无需明确了解商业工具的黑盒算法。DREAMPlace通过优化鉴别器的输出，提高了其商业化的位置。
实验表明DREAM GAN不仅在放置阶段立即改善了主要的PPA指标，而且还证明了这些改进一直持续到路由后阶段，在路由后阶段，无线长度提高了8.3%，总功率提高了7.4%。
DREAMPlace与DREAM-GAN在各主要PD阶段的详细PPA比较结果。在这项工作中，我们使用Synopsys ICC2执行整个PD，除了全局放置由DREAMPlace（左列）或DREAM-GAN（右列）执行。在所有商业和OpenCore基准测试中，两种方法在全局布局上的运行时差异不超过2分钟。
此外，Nvidia科学家近日在国际物理设计研讨会上展示了AutoDMP的研究论文，AutoDMP 是使用 TILOS AI 研究所的宏布局基准进行评估的，其中包括带有大量宏的CPU和AI加速器设计。为了进行评估，AutoDMP与商业EDA工具集成在一起，如下图所示。
首先，在NVIDIA DGX系统上运行多目标贝叶斯优化。该系统有4个A100 GPU，每个都配备了80Gb的HBM内存。生成16个并行进程以采样参数并在优化期间运行DREAMPlace。然后，从Pareto前端选择的宏位置被提供给运行在CPU服务器上的TILOS提供的EDA Flow。在大多数设计中，AutoDMP的PPA指标结果——线长、功率、最差负裕量 （WNS）和总负裕量 （TNS）——等于或优于商业流程。
写在最后
技术的发展是把“双刃剑”。一方面，人工智能可以通过学习已有的芯片设计数据来发现规律，并通过分析数据，提供更快速、更准确的芯片设计方案。同时，人工智能技术还可以提高芯片设计的效率，缩短开发时间，减少成本。
但另一方面，随着AI技术的不断发展和成熟，一些没有那么有创意的低级、平凡的工作可能会被人工智能取代。正如上文所述，在芯片布局这项工作中，过往主要是靠人工来完成，虽然目前的AI技术还有一些局限性，但随着技术的不断改进和突破，将或多或少的减少芯片设计过程中对手动方面的需求，虽然这提高了整体效率，但有可能会端掉部分工程师的饭碗。
不过我们也不必焦虑，回看四次工业革命，每一次工业革命都有一些工作、工人或工程师被取代，但是也会创造出新型工程师，最终提升了我们的生产力。回归到芯片设计这一行业，AI的介入不会完全取代人工，因为就实际情况而言，行业仍需要能够在设计过程中准确验证和利用 AI 工具和算法的个人。这一发展对于人才的深远影响是，提高IC设计人员在行业中的价值，使他们腾出更多的时间来专注于更复杂和更具创造性的设计方面，并最终生产出更好的产品。
利用人工智能技术来帮助设计和制造芯片已经成为大势所趋。不仅是谷歌和英伟达，EDA软件工具提供商Synopsys、西门子和Cadence等公司也在其最新工具中使用了AI技术，三星将AI技术引入芯片制造等等。这些AI/ML技术方法的引入，将为推进超大规模集成电路布局提供新的方向，也将成为摩尔定律再运行几年的潜在途径之一。
参考资料
【1】《A graph placement methodology for fast chip design》
【2】《DREAMPlace: Deep Learning Toolkit-Enabled GPU Acceleration for Modern VLSI Placement》
【3】《DREAM-GAN: Advancing DREAMPlace towards Commercial-Quality using Generative Adversarial Learning》
本文来自微信公众号：半导体行业观察 （ID：icbank），作者：杜芹DQ