芯片|人工智能设计芯片，比你想象的更大胆机器学习|人工智能|人工智能技

AI（人工智能）技术正在越来越多地被应用于半导体设计之中，这种做法的优势之一是，人工智能技术会尝试人类想都不敢想的设计方案。
例如，对边际的概念。设计人员在将电路放置在芯片上时，会留出一定的误差余量，以容纳制造中可能出现的误差——比如可能会扰乱芯片周围信号的时序。人类会希望尽可能多地留出容错空间，而机器的做法则更为激进大胆。

文章插图
芯片设计软件制造商Synopsys首席执行官Aart de Geus解释说：“边际，本质上是一种风险计算，这对人类来说是一件完全不可能的事情。”
“一台机器将优化一切。”这意味着，机器将会更加冒险，将容错边际缩小到人类甚至无法接受的程度。
De Geus在Hot Chips计算机芯片年会上发表了主题演讲。他介绍了公司软件中人工智能技术的发展，该软件已经开发了好几年。该程序名为DSO.ai，于去年的5月首次推出。该程序最初能够优化芯片平面图中的电路布局，采用的是二维区域的方式。
他的演讲主题是关于“Synopsys如何超越芯片的物理布局优化来优化其他因素”。
一种是其所谓的架构。芯片架构是指，芯片上应该使用什么样的电路和什么样的功能块，比如算术逻辑单元、缓存、寄存器和管线。
De Geus表示：“最近，我们开始了微架构决策。举例说，我们现在还可以优化平面布局和时钟方案。”
【 芯片|人工智能设计芯片，比你想象的更大胆】除了物理电路布局和架构决策之外，Synopsys正在研究第三个优化向量，即所谓的芯片功能或行为。
这包括开发一种反馈回路，由芯片运行的软件最终将成为一个变量，以优化逻辑和物理设计。
De Geus表示：“坦率地说，我认为不容易实现的一项突破是，我们还要能够查看将在芯片上运行的软件，分析预期的利用率峰值、热功率时刻，并且据此对芯片进行优化。”
最终目标是为芯片设计程序设定一些必要条件，然后让它自己解决所有问题。
De Geus 喜欢这样描述他们的愿景——“从芯片的规格开始，做一些架构决策，然后我们会将其余的一切全部自动化。”
De Geus表示，在最初使用这三个向量时，Synopsys已经看到了一种“超大规模芯片”，这种芯片可以供数据中心进行大规模计算——包括人工智能运算，并且能将功耗降低27%。
De Geus表示：“功耗降低了，但是现在，如果你使用软件的话，就是完全不同的情况了，因为功耗的降低总是很困难，而评估它则更加困难。”他表示，芯片就像是一个水龙头：在闲置的时候，它们几乎不会滴水，也就是不太消耗电能，这是一个相对稳定的衡量标准。但是动态功率则类似于打开和关闭水龙头，可预测性就要低得多了。
De Geus表示：“功耗是我们所做的所有事情中最困难的一种物理特性。”他表示，“因为，顾名思义，它同制造中所使用材料的固有特性、单个晶体管的配置等等因素都有关，相关因素的列表可以一直延伸到应用领域。”
三星是第一家表示已经使用DSO.ai软件优化芯片设计Synopsys客户。
Synopsys 的工具依赖于一种被称为强化学习的机器学习形式。谷歌的 DeepMind 部门使用这项技术取得了巨大的成功，该部门利用这种技术创建了Alpha Zero程序，该程序在 2016 年的围棋和国际象棋比赛中击败了所有的人类选手。
过去两年，谷歌将机器学习扩展到芯片设计自动化，但仅限于上面提到的第一个向量领域，即物理布局。De Geus表示：“谷歌正在考虑布局部分，我们优化的不是布局，而是综合和时序以及物理和测试优化。”他强调说，芯片设计“非常之复杂”，因此有很大的优化空间。
这种通过机器学习实现的自动化正在蔓延至半导体行业的所有参与者。Synopsys 的主要竞争对手 Cadence Design 已经展示了其 Cerebrus 工具能够如何将芯片性能、功耗和面积利用率提高 20% 或更多。
按收入计算，全球最大的半导体制造工具制造商Applied Materials今年推出了缺陷检测软件程序 SEMVision，该程序使用机器学习技术对硅晶片上的各种缺陷进行分类，以适应新的信息。
对De Geus而言，人工智能在芯片设计工具链中的蔓延是人工智能在全球蔓延的自然结果。更快的芯片加快了分析的速度，为数据的激增打开了可能性，而这又反过来对芯片的速度产生了更大的需求，从而形成了一种巨大的循环，给芯片制造商们带来了更大的提高性能的压力。
De Geus观察到，“我一直觉得摩尔定律是最终的推动力——突然之间，你可以做之前做不到的事情了。”“现在，人们会说，我要做一点机器学习的工作，这很棒，可是为什么你的芯片这么慢！”