关于AI设计芯片，这个团队给出了新方案

来源：内容由半导体行业观察（ID：icbank）编译自「techxplore」，谢谢。

在不到十年的时间里，人工智能（AI）已从象牙塔学者的迷恋变成了失控的商业成功，据麦肯锡预测，到2030年，AI可能为全球经济增加约13万亿美元。之所以AI在今日能大获成功，而不再是1950年代末最初概念，主要是因为芯片的稳步发展，使得负担得起所需的计算能力得以实现。

但是，尽管技术取得了长足进步，但设计更小巧，功能更强大的集成电路本身仍然是一项耗时且费力的工作。即使自1980年代以来，行业就可以使用自动设计芯片中的晶体管的电子设计自动化（EDA）软件，但这很大程度上是一个反复试验的过程中，因为仍然需要经验丰富的人类工程师的投入，并需要EDA工具来查找优化的最佳位置。

“更具体地说，在常规设计过程中需要手动进行大量的仿真和验证。如果设计不满足需求，设计人员就必须通过仿真重新设计和验证性能， A * STAR微电子研究所（IME）的科学家Salahuddin Raju解释说。

“许多EDA公司加入了AI潮流，在不同的设计工具中提供了特定的AI功能。但是，他们的方法不够灵活，无法包含各种芯片设计公司的设计风格，并且无法与设计人员紧密结合在一起学习。此外， AI辅助的EDA工具的价格很高，这迫使客户不得不与特定的EDA供应商签订合同，并增加了芯片设计的成本，” A*STAR. IME 的首席研究工程师Rahul Dutta解释说。

但是，如果可以使用AI来设计芯片，而不管底层的EDA工具和设计如何工作？这种方法是否更好？来自A * STAR IME和信息通信研究所（I²R）的研究人员组成的一支队伍已开发出一种机器学习框架，该框架与EDA工具协同工作，以捕获经验丰富的芯片设计者的经验，并使用它来降低设计新芯片的成本，同时探索新的设计空间。

令人难以置信的芯片微缩

在过去的五十年里，芯片的体积越来越小，功能也越来越强大，这符合摩尔定律的发展规律。例如，从2000年代中期的180nm工艺发展到90nm工艺，有效地使芯片制造商将同一芯片上的晶体管数量增加了一倍。较小的芯片意味着芯片内的行进距离更短，从而提高了速度，而缩小的晶体管尺寸意味着更少的能耗。这两个因素加在一起使芯片变得更便宜。

但是这种规模成本关系已经开始破裂。如今，使芯片变得更小变得非常昂贵和复杂，以至于继续开发更小的工艺可能不再具有经济意义。除了制造成本，新芯片的设计在总成本中占据的比例也越来越大。据了解，购买EDA软件估计占了总开发成本的近一半。而半导体咨询公司IBS预测，从16纳米工艺转移到10纳米工艺将使芯片设计成本增加1.744亿美元，而进一步发展到7纳米工艺将花费近3亿美元。

“此外，随着先进技术节点中电路复杂性的增加，电路设计标准变得更加严格，设计人员必须经过更多的迭代才能实现多个设计目标，” Raju说。“结果，生产力受到损害，企业承担了更多的成本，并将产品投入市场需要更多的时间。”

尽管要付出高昂的代价，但IC代工厂仍然无法负担其硬件投入的任何差错。与可以以不完美的状态运送并随后进行修补的软件不同，有缺陷的芯片一旦生产就无法修复，这可能使公司付出巨额资金。1994年发现的英特尔旗舰奔腾处理器芯片中的硬件错误使该公司的利润减少了37％，这是硬件设计中最昂贵的教训之一。

数据更少，学习更多

模拟芯片是什么？

来源：内容来自「川财证券」，谢谢。 集成电路通常可分为数字集成电路和模拟集成电路两大类。其中，数字集成电 路大约占据集成电路市场的85%份额，模拟集成电路占据15%的份额，两者 的主要差别在于处理信号的类型和行业特点。 数字集成电路是对离散的数字信号

为了减少设计新芯片的成本和时间，IME的资深科学家兼IC设计负责人Kevin Chai带领的团队转向AI，特别是机器学习的一个子集，即半监督学习（semi-supervised learning）。在监督学习中，算法是使用一组与所需输出配对的输入进行训练的，需要大量的预标记数据。在芯片设计的情况下，输入特征是电路的设计变量，例如晶体管的长度，宽度，偏置和温度等，而输出是设计目标，例如功耗，带宽，其他性能标准和芯片面积。

Chai说：“当设置了设计规范或所需的输出时，学习模型会为设计提出输入参数。然后通过计算和时间密集的EDA仿真来验证设计。” “为减少所需的仿真次数，我们使用了半监督学习模型，该模型可以用少量标记数据和大量未标记数据进行训练。”

与智能学习相比，在具有学习能力的智能IC设计（SMILE）程序下创建的最终AI算法和EDA自动化使所需的标记数据量减少了90％。如前所述，EDA软件已经存在了很长时间，并且最近在机器学习领域也取得了长足的进步。Kevin Chai说，将两者的进步融合在一起是关键的挑战。

“在整个设计迭代过程中，没有人工设计人员。电路设计人员只需要在初始阶段选择电路拓扑和设计规格，其余设计则是EDA工具与AI框架共同完成。” Rahul补充说。

数据驱动芯片设计

最终的AI可以在一天之内完成复杂的设计，而人类设计师通常需要一周的时间。此外，当AI设计的芯片由晶圆厂制造并在A * STAR实验室进行测试时，发现其性能是最佳人工优化设计的两倍。通过对芯片设计在速度，面积和功耗方面的平衡，可以实现这一性能。

Chai说，凭借这些令人印象深刻的结果，SMILE平台已经引起了半导体行业参与者的关注，例如无晶圆厂IC设计公司。但是，他指出，该技术仍处于开发阶段，需要进一步验证和推广，以使其与广泛的电路拓扑兼容，然后才能进行商业部署。

Chai继续说道，尽管如此，人工智能无疑是芯片设计的未来。他说：“ SMILE肯定会改变电路设计师看待设计的方式。” “很大程度上取决于经验和启发式的日子已经一去不复返了。'面向数据的'设计策略将极大地帮助新芯片的设计人员，从而大大减少了仿真迭代的次数，达到设计目标所需的时间和成本。设计优化。”

点击文末【阅读原文】，可查看

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

今天是《半导体行业观察》为您分享的第2290期内容，欢迎关注。

闪存｜华为｜封测｜蓝牙｜比亚迪｜晶圆｜硅｜射频｜台积电