來源丨ZDNet
作者丨Tiernan Ray
編譯丨科技行者
AI（人工智能）技術正在越來越多地被應用于半導體設計之中，這種做法的優(yōu)勢之一是，人工智能技術會嘗試人類想都不敢想的設計方案。
例如，對邊際的概念。設計人員在將電路放置在芯片上時，會留出一定的誤差余量，以容納制造中可能出現(xiàn)的誤差——比如可能會擾亂芯片周圍信號的時序。人類會希望盡可能多地留出容錯空間，而機器的做法則更為激進大膽。
芯片設計軟件制造商Synopsys首席執(zhí)行官Aart de Geus解釋說：“邊際，本質(zhì)上是一種風險計算，這對人類來說是一件完全不可能的事情。”
“一臺機器將優(yōu)化一切。”這意味著，機器將會更加冒險，將容錯邊際縮小到人類甚至無法接受的程度。
De Geus在Hot Chips計算機芯片年會上發(fā)表了主題演講。他介紹了公司軟件中人工智能技術的發(fā)展，該軟件已經(jīng)開發(fā)了好幾年。該程序名為DSO.ai，于去年的5月首次推出。該程序最初能夠優(yōu)化芯片平面圖中的電路布局，采用的是二維區(qū)域的方式。
他的演講主題是關于“Synopsys如何超越芯片的物理布局優(yōu)化來優(yōu)化其他因素”。
一種是其所謂的架構。芯片架構是指，芯片上應該使用什么樣的電路和什么樣的功能塊，比如算術邏輯單元、緩存、寄存器和管線。
De Geus表示：“最近，我們開始了微架構決策。舉例說，我們現(xiàn)在還可以優(yōu)化平面布局和時鐘方案。”
除了物理電路布局和架構決策之外，Synopsys正在研究第三個優(yōu)化向量，即所謂的芯片功能或行為。
這包括開發(fā)一種反饋回路，由芯片運行的軟件最終將成為一個變量，以優(yōu)化邏輯和物理設計。
De Geus表示：“坦率地說，我認為不容易實現(xiàn)的一項突破是，我們還要能夠查看將在芯片上運行的軟件，分析預期的利用率峰值、熱功率時刻，并且據(jù)此對芯片進行優(yōu)化。”
最終目標是為芯片設計程序設定一些必要條件，然后讓它自己解決所有問題。
De Geus喜歡這樣描述他們的愿景——“從芯片的規(guī)格開始，做一些架構決策，然后我們會將其余的一切全部自動化。”
De Geus表示，在最初使用這三個向量時，Synopsys已經(jīng)看到了一種“超大規(guī)模芯片”，這種芯片可以供數(shù)據(jù)中心進行大規(guī)模計算——包括人工智能運算，并且能將功耗降低27%。
De Geus表示：“功耗降低了，但是現(xiàn)在，如果你使用軟件的話，就是完全不同的情況了，因為功耗的降低總是很困難，而評估它則更加困難。”他表示，芯片就像是一個水龍頭：在閑置的時候，它們幾乎不會滴水，也就是不太消耗電能，這是一個相對穩(wěn)定的衡量標準。但是動態(tài)功率則類似于打開和關閉水龍頭，可預測性就要低得多了。
De Geus表示：“功耗是我們所做的所有事情中最困難的一種物理特性。”他表示，“因為，顧名思義，它同制造中所使用材料的固有特性、單個晶體管的配置等等因素都有關，相關因素的列表可以一直延伸到應用領域。”
三星是第一家表示已經(jīng)使用DSO.ai軟件優(yōu)化芯片設計Synopsys客戶。
Synopsys的工具依賴于一種被稱為強化學習的機器學習形式。谷歌的DeepMind部門使用這項技術取得了巨大的成功，該部門利用這種技術創(chuàng)建了Alpha Zero程序，該程序在2016年的圍棋和國際象棋比賽中擊敗了所有的人類選手。
過去兩年，谷歌將機器學習擴展到芯片設計自動化，但僅限于上面提到的第一個向量領域，即物理布局。De Geus表示：“谷歌正在考慮布局部分，我們優(yōu)化的不是布局，而是綜合和時序以及物理和測試優(yōu)化。”他強調(diào)說，芯片設計“非常之復雜”，因此有很大的優(yōu)化空間。
這種通過機器學習實現(xiàn)的自動化正在蔓延至半導體行業(yè)的所有參與者。Synopsys的主要競爭對手Cadence Design已經(jīng)展示了其Cerebrus工具能夠如何將芯片性能、功耗和面積利用率提高20%或更多。
按收入計算，全球最大的半導體制造工具制造商Applied Materials今年推出了缺陷檢測軟件程序SEMVision，該程序使用機器學習技術對硅晶片上的各種缺陷進行分類，以適應新的信息。
對De Geus而言，人工智能在芯片設計工具鏈中的蔓延是人工智能在全球蔓延的自然結果。更快的芯片加快了分析的速度，為數(shù)據(jù)的激增打開了可能性，而這又反過來對芯片的速度產(chǎn)生了更大的需求，從而形成了一種巨大的循環(huán)，給芯片制造商們帶來了更大的提高性能的壓力。
De Geus觀察到，“我一直覺得摩爾定律是最終的推動力——突然之間，你可以做之前做不到的事情了。”“現(xiàn)在，人們會說，我要做一點機器學習的工作，這很棒，可是為什么你的芯片這么慢！”
結果是，“現(xiàn)在，摩爾定律的山峰得到了相反方向的補充，這是個漏斗——技術在推動，而經(jīng)濟在拉動。”他的意思是說經(jīng)濟推動人們，讓他們想要做得更多，以提升業(yè)務成果。
在推力和拉力的共同作用下，人工智能可能是找到能夠打破瓶頸的新解決方案的一條出路，就像是Alpha Zero在圍棋和國際象棋對弈中發(fā)現(xiàn)了人類從未見過的解決方案一樣——要知道，這兩種游戲的規(guī)則都已經(jīng)存在了好幾百年甚至好幾千年了。
De Geus在談到用人工智能技術進行設計的時候表示：“對于我來說，這并不令人驚訝，但是我覺得它們很有趣。”
De Geus解釋說：“當你優(yōu)化一切的時候，就減少了一切的邊際。你可以在芯片上的很多地方提高邊際，這樣會使得你的良品率變得更高。”
良品率指的是從單個硅晶片中可以得到多少好的芯片，這是所有芯片制造商及其供應商（例如臺積電）都面臨的一個基本經(jīng)濟問題。
更小的容差范圍意味著更大的風險，而人類會認為風險通常是無法或者難以接受的。
De Geus表示，這包括“他們（人類）不知道設計同其他部分依賴關系的風險。”
