Hot Chips 2024 | 人工智能在芯片设计中的应用

逍遥设计自动化

引言
6 U3 d( {0 _) E$ p7 u1 ?9 c人工智能（AI）正在深刻改变半导体行业，特别是在芯片设计过程中。本文探讨AI如何重塑芯片设计的各个方面，包括分析、优化和设计辅助，帮助逍遥设计自动化的读者了解不同的AI技术及其在提高设计性能和生产力方面的应用[1]。
! L: B' i; c" F+ j- v3 F
人工智能在芯片设计中的应用简介
3 D* m( v% H0 \. j5 TAI正在芯片设计行业掀起波澜，提升设计过程的多个阶段。AI主要影响以下关键领域：

分析：AI实现更快速、预测性和跨阶段的芯片设计分析。

优化：AI驱动的优化技术带来更快速、更可扩展和更优质的结果。

辅助：AI为芯片设计师提供专业知识、编码支持和任务自动化。
[/ol]

jpbslta3zsx64034872153.png

图1：此图展示了AI在芯片设计中影响的主要领域：分析、优化和辅助。

# r7 l" e7 h( \芯片设计中的AI技术
% t8 M# V9 s. l; v0 F; K多种AI技术被应用于芯片设计，每种技术适用于设计过程的不同方面：

经典机器学习（ML）：适用于小型结构化数据，线性回归、支持向量机和决策树等技术用于初步分析。

深度学习：卷积神经网络（CNN）适合物理设计数据，而图神经网络（GNN）适合线路网表数据。

贝叶斯优化：此技术用于构建目标函数的概率模型，并选择最有希望的数据点进行采样。

强化学习（RL）：RL代理通过与环境交互并获得改进奖励来学习优化设计。

生成式AI：这些模型，包括变分自编码器（VAE）和Transformer，用于生成最佳设计点和学习优化表示。

大型语言模型（LLM）：LLM用途广泛，可应用于问答、编码、提取、重写、分类、总结和推理等多种任务。
[/ol]

4sr5e0bj4ie64034872253.png

" S5 K! g- e& G( [, g$ O7 p图2：NVIDIA芯片设计中使用的不同AI技术，包括经典ML、深度学习和各种优化方法。
9 H) Z% ]! h" D4 K
AI在芯片设计中的应用
让我们探讨AI在芯片设计中的一些具体应用：
1. IR压降估算
IR压降估算对物理设计非常重要，但传统方法需要数小时。基于AI的方法可以从单元级特征预测IR压降，在3秒内实现94%的准确率，而商业工具需要3小时。
* ^) `+ b* i& h. k7 G* {. H
9 C0 b& y: L$ b* P; B8 b! [

e5v2xs41gb564034872353.png

图3：使用AI进行IR压降估算的过程，显示了功率图和系数图。

5 `4 W- s2 K/ B. e0 D. I2. 寄生参数预测
AI用于从原理图预测布局寄生参数。通过将原理图转换为图形并使用图神经网络（GNN），设计师可以高精度估算寄生参数，将仿真误差降低到10%以下。
, d/ j$ E) X0 p$ w! o$ u

0epcpw5unck64034872453.png

图4：此图说明了将线路原理图转换为异构图以进行寄生参数预测的过程。

3. 宏单元布局优化
宏单元布局对物理设计非常关键。多目标贝叶斯优化被用于改进宏单元布局，考虑线长、拥塞度和密度等因素。

" F0 I8 X8 R9 p, W

wxxijhgirk264034872553.png

图4：此图比较了基准宏单元布局与使用AutoDMP（自动化DREAMPlace基础宏单元布局）优化后的布局。

9 T3 V* m" ?+ [: A5 D4. 设计规则检查（DRC）修复
强化学习代理被训练用于自动修复单元布局中的设计规则检查（DRC）违规。代理学习逐步减少DRC错误，最终得到干净的布局。

tqdqsxz1xyy64034872653.png

图5：此图显示了RL代理在单元布局中修复DRC违规的逐步过程。
- C. q6 F  f! }3 F' ~
5. 数据通路优化
强化学习也被应用于优化数据通路结构，如前缀加法器。RL代理探索不同的前缀图结构，以实现比知名加法器架构更好的性能。
. c9 T5 X8 j1 h" `; e

53a1qbcnlby64034872753.png

( G, ~  D% b9 F$ S' x* S$ [图6：此图说明了使用强化学习优化前缀加法器结构的过程。
+ u* f, q$ ]. A+ Q2 h4 a
$ b/ [4 p% B5 {$ }5 C) \6. 门尺寸调整
8 u; ?, U$ l7 |Transformer被用于生成最佳门尺寸，以进行时序和功耗优化。通过将门路径建模为序列，AI可以生成优化的门尺寸，与传统优化方法相比，实现了100倍到1000倍的加速。
" L5 p# ?' H7 J8 W- y) Q7 n

05xiyqrwryc64034872853.png

  ]+ ~" ~' c  a6 ^2 H( n$ P图7：此图显示了Transizer方法在门尺寸优化中实现的功耗/延迟权衡。
$ _& B) g& @0 X
7. 加速器设计
+ h/ R, r5 _- \3 H2 X8 t9 ^变分自编码器（VAE）被用于学习硬件加速器设计的连续可重构潜在空间。这种方法在探索设计空间时实现了6.8倍的样本效率和5%的性能提升。

v3l4vfpurbu64034872954.png

图8：此图展示了在神经网络加速器设计空间优化中使用VAE的过程。
8 v( x% e+ J% z) J
) Q2 v# s5 [  b# }大型语言模型在芯片设计中的应用
* A( b# e" x3 K; I7 U* Z8 w1 b( X大型语言模型（LLM）在芯片设计中越来越重要。可以通过以下技术适应各种任务：
+ H+ W5 @7 A% i  U- S- ]

参数训练

检索增强生成（RAG）

上下文学习

基于代理的方法

LLM在芯片设计中用于多个目的：

编码辅助：为特定任务生成EDA脚本。

专业知识辅助：回答关于设计、基础设施、工具和流程的问题。

分析辅助：总结错误报告并预测任务分配。
  f( u; H- O: J$ i[/ol]

b0tegjlfsce64034873054.png

( _: i& d  B/ k- r: V图9：此图显示了LLM在芯片设计中的各种应用，包括编码、专业知识、分析、优化和调试辅助。

结论
2 ?5 c( D/ @: NAI正在通过提高分析速度、优化质量和设计辅助来革新芯片设计。随着该领域的进展，可以期待看到：

持续使用贝叶斯优化和强化学习，以实现芯片设计中更好的PPA（功耗、性能、面积）。

在优化数据上训练的生成式AI模型，加速传统优化过程。

LLM模型和代理通过聊天机器人、协作工具和任务自动化显著提高芯片设计生产力。

可靠高效的推理基础设施的重要性日益增加。
[/ol]
为进一步推动该领域发展，需要更多数据集和基准，如VerilogEval、FVEval和LLM4HWDesign。随着AI的不断发展，其在芯片设计过程中的集成无疑将带来更高效、更强大和更创新的半导体产品。

/ I+ A7 }) }& h
参考文献
[1] H. Ren, "Introduction to AI for Chip Design," presented at Hot Chips, Aug. 25, 2024.

- END -

软件申请我们欢迎化合物/硅基光电子芯片的研究人员和工程师申请体验免费版PIC Studio软件。无论是研究还是商业应用，PIC Studio都可提升您的工作效能。
7 y5 E/ N# r# |( w* F点击左下角"阅读原文"马上申请

欢迎转载
6 w; ]( t5 E7 m: p* l( ~
转载请注明出处，请勿修改内容和删除作者信息！
' `" G8 k0 {4 h7 y3 h& y# i* g
, ]# E, k4 L( ~1 [7 N

5rxl2khdicd64034873154.gif

关注我们

m0i2cg3mfix64034873254.png 8 P: J! J. T7 u+ G9 `8 e

jooj2ky3dhf64034873354.png

51mfmehxn4j64034873454.png

                     

. k- p3 |8 @+ y& y( T% _8 F
/ I0 `, l) \* d5 ]1 r

6 H( s" r- F) ?9 s+ l( D/ i% T
0 n# s8 S3 f& m: @
关于我们：
" Q& k4 W* s3 k! D) [$ b深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
' x3 _' b& s! @$ n
http://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）