隨著人工智能（AI）技術(shù)的采用和復(fù)雜性的不斷發(fā)展，人們越來越清楚地認識到AI及其許多派生工具（深度學(xué)習(xí)，機器學(xué)習(xí)等）將導(dǎo)致世界范圍內(nèi)前所未有的深刻的社會經(jīng)濟變化自工業(yè)革命以來出現(xiàn)。盡管就其道德使用與不道德使用以及對全球社會經(jīng)濟的潛在影響而言，有時它可能是一個有爭議的話題，但可以肯定的是：即使在嬰兒期，AI仍在有效地部署，以極大地改善和更好地實現(xiàn)許多自動化。從數(shù)據(jù)收集，通信，機器人技術(shù)/工廠自動化，汽車設(shè)計到甚至我們自己小的但實力雄厚的EDA行業(yè)，在芯片設(shè)計方面的任務(wù)不勝枚舉。

簡而言之（請原諒混合的比喻），精靈已經(jīng)不在瓶中了，我們需要擁抱它。毫無疑問，在2020年，人工智能芯片和系統(tǒng)的設(shè)計和部署將繼續(xù)增長。

為了幫助公司提供更復(fù)雜的AI技術(shù)，西門子公司Mentor等EDA公司正在做兩件事：

1.開發(fā)工具以幫助公司更快地設(shè)計AI加速器。

2.利用機器學(xué)習(xí)算法來改進IC設(shè)計工具，以便它們可以更快地為客戶提供更好的結(jié)果。

讓我們仔細看看這些。

更好，更快的AI / ML設(shè)計工具大多數(shù)AI都是從數(shù)學(xué)算法開始的。開發(fā)人員在數(shù)學(xué)工具中創(chuàng)建算法，將其轉(zhuǎn)換為C代碼，然后在處理器上運行該算法。不可避免地，他們會發(fā)現(xiàn)算法的某些部分運行最佳，而其他部分的運行速度較慢。

因此，在AI / ML加速器IP和芯片開發(fā)方面出現(xiàn)了巨大的增長（以及風(fēng)險社區(qū)和大型公司的后續(xù)投資）。可以強制某些算法（通過調(diào)整C代碼）使其在現(xiàn)有的AI ASSP體系結(jié)構(gòu)上運行，但會降低性能和功耗，而其他算法（例如，對移動設(shè)備的思考）則需要專用邏輯才能最佳運行。

為給定的應(yīng)用程序開發(fā)正確的AI架構(gòu)會激怒EDA工具，使企業(yè)能夠使用更高級別的抽象。對于為其片上系統(tǒng)（SoC）設(shè)計開發(fā)AI IP加速器的公司，我們開始看到我們的Catapult HLS（高級綜合）技術(shù)的業(yè)務(wù)正在增長。這使AI架構(gòu)師能夠開發(fā)自己的數(shù)學(xué)代碼，將其轉(zhuǎn)換為C或SystemC，并預(yù)先了解應(yīng)在硬件還是軟件中實現(xiàn)算法的哪些部分。然后，他們可以比嘗試立即降到RT級別更快地融合到理想的體系結(jié)構(gòu)上。

當(dāng)他們確實融合在理想的架構(gòu)上并選擇最適合運行的硬件配置時，到目前為止，測試和完善該架構(gòu)的最佳方法是使用仿真解決方案，例如Mentor的Veloce仿真平臺。這使團隊不僅可以在仿真系統(tǒng)上運行經(jīng)過加固的芯片設(shè)計，然后微調(diào)軟件仿真，而且仿真還可以連接到最終系統(tǒng)，并通過仿真執(zhí)行整體ML基準測試。

這些AI平臺中的許多平臺將越來越需要高速連接。因此，我們認為大多數(shù)ML SoC實際上都是混合信號SoC。這將需要能夠更有效地橋接數(shù)字和模擬域的工具，例如我們的Symphony AMS仿真解決方案，它是與供應(yīng)商無關(guān)的AMS環(huán)境。

因為許多位于數(shù)據(jù)中心和通信基礎(chǔ)設(shè)施核心的ASSP AI設(shè)備都要求盡可能高的性能，所以我相信我們會開始看到將光子直接帶到硅的硅光子設(shè)備的商業(yè)化程度不斷提高。

ML增強的EDA工具可帶來更好，更快的結(jié)果在過去的幾年中，Mentor的研發(fā)人員以多種方式引領(lǐng)著將ML集成到我們自己的EDA工具中的方式。該公司目前有五種工具產(chǎn)品，這些工具產(chǎn)品可利用ML來幫助提供更好的結(jié)果并更快地交付它們。請允許我稍等一下，并在改進EDA工具的背景下討論ML。

眾所周知，沒有數(shù)據(jù)，機器學(xué)習(xí)是無用的。產(chǎn)生的數(shù)據(jù)越多，就可以調(diào)用更多的ML來分類和開發(fā)出有意義的數(shù)據(jù)。對我們來說幸運的是，EDA工具本身可以產(chǎn)生大量數(shù)據(jù)。流程制造會生成大量數(shù)據(jù)，用戶可以生成自己的專有數(shù)據(jù)和需求（用于培訓(xùn)）。因此，從理論上講，數(shù)據(jù)并不短缺。實際上，在將ML用于EDA時，問題就變成了：哪些數(shù)據(jù)集可以有效地用于哪些工具功能？

到目前為止，我們有五個利用ML增強功能的工具，其中大多數(shù)都在物理設(shè)計，驗證和制造領(lǐng)域：用于庫特征和仿真，光學(xué)鄰近校正，光刻仿真和CMP建模的ML。此EDA部分顯然是起點。

例如，對于光學(xué)鄰近校正，Caliber OPC在物理設(shè)計數(shù)據(jù)庫上運行。每次運行該芯片都會產(chǎn)生數(shù)十億個可用于分析的數(shù)據(jù)點。通過將ML技術(shù)應(yīng)用于Caliber OPC，我們可以收集這些芯片周圍的數(shù)據(jù)，然后使用它們來更快地產(chǎn)生更好的設(shè)計結(jié)果。

在關(guān)鍵層的7 nm處，客戶使用多達8，000個CPU，運行12至24小時來執(zhí)行一次運行。通過使用機器學(xué)習(xí)，我們已經(jīng)能夠?qū)⑵錅p少三分之二，并限制了生產(chǎn)將來出現(xiàn)的每個高級節(jié)點所需的時間增加。

這只是一個例子，但是我們在其他ML增強工具上也看到了類似的結(jié)果。目前，我們還有兩個項目正在研究中，這些項目正在尋找AI / ML可以利用看似豐富的數(shù)據(jù)來更快地提供更好結(jié)果的新方法。您當(dāng)然可以期望，到2020年，您將使用更多的經(jīng)過ML增強的EDA工具來產(chǎn)生更多的創(chuàng)新。
責(zé)任編輯:tzh