国王金融官网

最近人工智能半响在ChatGPT等专横言语处置器方面的惊人才能而遭到更多重视，但除此之外，AI还在其他多个范畴逐渐产生影响，比如将AI用于芯片规划。半响芯片规划巨大度和精度要求的不断进步，传统规划方法承揽难以知足需求。人工智能手工的快速成长为芯片规划带来了新的或许性。现在越来越多的芯片产业链的厂商转换探究凭借AI的方法来辅佐芯片规划，那么芯片工程师该何去何从？

本文将介绍一些芯片巨子行使AI手工在芯片结构中的打破，AI可以在芯片结构中发挥首要作用的原因原由在于其优异的图画识别才能。

01 芯片结构越来越耗时

在超大规模集成电路(VLSI)中，结构（Layout）是芯片规划流程中的首要过程之一。芯片的结构抉择了物理结构中标准单元的方位，一切差其他子跋涉都必须以特定的方法结构，还要使信号和数据以抱负的速率在这些区域之间撒播。传统上，这项工作往往由工程师手工来完结，芯片工程师们一般会花费数周或数月的时刻来不断改进和优化他们的规划，企图找到标准单元的*设置。

分析结构（Analytical placement）是现在超大规模集成电路结构的*进手工，它可以辅佐规划师在最小的芯片面积内完结高功能、低功耗和高可靠性的电路规划。分析结构一般包含三个过程：大局结构（Global Placement，GP）、合理化结构（Legalization，LG）和具体结构（Detailed Placement，DP）。

大局结构（GP）是指将电路元件在芯片上放置的初始阶段，其意图是在不思量细节的景象下，使得一切元件的方位相对合理，以便后续结构过程举办。在大局结构中，接收种种算法和手工来处理面积、功耗、时序和连通性等方面的问题。在这三个过程中，大局结构是分析结构中最耗时的部分。

合理化结构（LG）是指对大局结构的元件方位举办微调，以知足一些硬性的约束条件，例如电路元件之间的最小间隔、与芯片边际的间隔、相邻元件的倾向等。合理化结构的意图是保证电路元件的方位相符规划规范，并且在不违背规划约束的景象下尽或许接近大局结构的解。

具体结构（DP）是指对元件方位举办加倍细腻的调整，以进一步进步电路功能和减少功耗。具体结构一般触及更为巨大的算法和手工，例如网格化结构、大局优化和局部优化等。

然则现在跟着芯片的巨大度和麋集度不断攀升，一个先进的芯片集成了数百亿个乃至数千亿个晶体管，例如苹果的M1 Ultra中集成了1140亿个晶体管，AMD的instinct MI300加快器芯片中集成了1460亿个晶体管，以及由此产生的功率、功能和面积 (PPA) 之间的现代巨大联系，使得芯片的结构益发费时艰苦。

为了加快和优化IC规划流程，职业的芯片厂商正在探究行使深度学习方法来比人类更快、更高效地规划芯片。经过运用AI手工，芯片规划师可以将规划要求输入到策画机中，策画机可以主动识别和处置图画，并凭据指定的规矩和约束举办结构。AI手工可以更快、更精确地天然生成芯片结构，绑架可以阻挠规划师在重复和繁琐的责任中的过错。许多公司（包含科技职业的一些*公司）现在都在出资AI 东西来完结一些深重的工作。

02 谷歌用AI举办芯片结构

早在2021年9月，谷歌在《专横》杂志上揭晓了一篇文章《一种用于快速芯片规划的图形放置方法》，宣称行使机械学习软件可以比人类更快地规划出更好的芯片，谷歌暗示，它正在运用这款人工智能软件规划其自主研制的TPU芯片。

谷歌在文章中写道：“只管经由了50年的研讨，芯片结构依然无法完结主动化，物理规划工程师需求数月的艰苦起劲才华制作出可制作的结构。在不到6小时的时刻里，咱们的方法主动天然生成的芯片结构在一切要害目标上都优于或可与人类制作的规划图相媲美。”

谷歌将芯片结构规划看作为一个强化学习（RL）问题，并开发了一个根据边际的图卷积神经网络架构，可以学习芯片的扎实和可搬运暗示。具体的评价工作流程见图1。该流程答应每个方法接见相同的聚类网络列表超图，在一切方法中(尽或许地)运用相同的超参数。每种方法完结放置后(包含RePlAce的合理过程)，将宏捕捉到电网格中，冻住宏方位，并运用商业EDA东西放置标准单元并叙述终究作用。

将谷歌的方法与*进的方法(RePlAce14)以及运用职业标准EDA东西的手动放置举办对照。具体对照的目标有花费的时刻、总的面积、功耗、线长等等，关于该表中的一切目标，越低越好。可以看出，谷歌的强化学习方法均优于其他两种。

谷歌的研讨团队暗示，跟着人工智能接触到更多数目和品种的芯片，它可以经过不断地练习学习，会更快更好地为新芯片块天然生成优化结构，包围咱们首要在谷歌加快器芯片 (TPU) 上天然生成优化的结构，但咱们的方法适用于任何类型ASIC芯片。

03 英伟达DREAMPlace商业化推动有望

在加快结构方面，现有的并行化工作首要是运用分区的多线程CPU。跟着线程数意图增加，速率在5倍左右就饱和了，并且典型的质量下降2-6%。英伟达的工程师探究了行使GPU来加快分析方位结构。

奈杜星球完结千万元A轮融资，富汇山本钱、旭越科技联合领投

传统的分析结构引擎开发需求花费很多的精力用C 构建整个软件客栈，因而，半响开发本钱的问题，规划和验证新结构算法的门槛反常高。所以，英伟达行使深度学习东西包PyTorch，经过少数的软件开发工作，开发了一个新的具有GPU加快的开源结构引擎——DREAMPlace，这是一个对照出名的开源结构器。它经过高效的GPU完结的要害内核的分析结构，如电线长度和密度策画等。

该结构是用Python开发的，PyTorch用于优化优化程序和API, C /CUDA用于初级操作职工。DREAMPlace程序运转在根据Volta架构的40核Intel E5-2698 v4 @2.20GHz和一个NVIDIA Tesla V100 GPU的Linux服务器上，它经过抛出分析结构问题来练习神经网络。

在与*进的全球结构算法宗族ePlace/RePlAce的比照中，DREAMPlace在大局结构和合理化方面完结了30倍以上的加快，且没有理论和工业基准的质量下降。更具体的来说，它能使100万个单元的规划在1分钟内就能完结。英伟达探究了用于向前和向后撒播的初级操作符的差异完结（前向撒播来策画意图，后向撒播来策画梯度），以进步全体功率。

此外，DREAMPlace是高度可扩展的，可以经过俭朴地编写高档编程言语(如Python)来兼并新的算法/求解器和新的意图，其工业规划可达1000万个单元。英伟达规划进一步研讨单元胀大的可路由性和时刻优化的净加权，以及GPU加快的具体结构。它还可以扩展到行使多GPU毕生来进一步加快。半响DREAMPlace星散了高档算法规划符号和初级加快工作，因而它明显降低了开发和保护开支。英伟达的这项工作将为从头审理经典的EDA问题开辟新的倾向。

然则，半响其对线长和密度的重视有限，DREAMPlace的结构质量无法与商业东西比较，这使得它很难适用于工业规划流程。为体会决这一问题，英伟达科学家即日的一项研讨文章中提出了一种新方法-DREAM-GAN，这是一种运用天然生成对抗学习推动 DREAMPlace的结构优化结构。DREAM-GAN的*优势在于，它使DREAMPlace可以朝着东西验证(和优化)的倾向优化底层方位，而无需清晰体会商业东西的黑盒算法。DREAMPlace经过优化判别器的输出，进步了其商业化的方位。

试验解说DREAM GAN不仅在放置阶段马上改进了首要的PPA目标，并且还证明晰这些改进一向接连到路由后阶段，在路由后阶段，无线长度进步了8.3%，总功率进步了7.4%。

DREAMPlace与DREAM-GAN在各首要PD阶段的具体PPA对照作用。在这项工作中，咱们运用Synopsys ICC2履行整个PD，除了大局放置由DREAMPlace(左列)或DREAM-GAN(右列)履行。在一切商业和OpenCore基准测验中，两种方法在大局结构上的运转时差异不跨过2分钟。

此外，Nvidia科学家即日在世界物理规划研讨会上展现了AutoDMP的研讨论文，AutoDMP 是运用 TILOS AI 研讨所的宏结构基准举办评价的，其间包含带有很多宏的CPU和AI加快器规划。为了举办评价，AutoDMP与商业EDA东西集成在一起，如下图所示。首要，在NVIDIA DGX跋涉上运转多意图贝叶斯优化。该跋涉有4个A100 GPU，每个都装备了80Gb的HBM内存。天然生成16个并行进程以采样参数并在优化颁发运转DREAMPlace。然后，从Pareto前端挑选的宏方位被供给应运转在CPU服务器上的TILOS供给的EDA Flow。在大多数规划中，AutoDMP的PPA目标作用——线长、功率、最差负裕量 (WNS) 和总负裕量 (TNS)——便是或优于商业流程。

04 写在终究

手工的成长是把“双刃剑”。一方面，人工智能可以经过学习已有的芯片规划数据来发现纪律，并经过分析数据，供给更快速、更精确的芯片规划方案。绑架，人工智能手工还可以进步芯片规划的功率，缩短开发时刻，减少本钱。

但另一方面，跟着AI手工的不断成长和成熟，一些没有那么有构思的初级、浅显的工作或许会被人工智能替代。正如上文所述，在芯片结构这项工作中，过往首要是靠人工来完结，包围现在的AI手工还有一些局限性，但跟着手工的不断改进和打破，将或多或少的减少芯片规划进程中对手动方面的需求，包围这进步了全体功率，但有或许会端掉部分工程师的饭碗。

不过咱们也不用焦虑，回看四次工业革命，每一次工业革命都有一些工作、工人或工程师被替代，然则也会缔造出新式工程师，终究提升了咱们的生产力。回归到芯片规划这一职业，AI的介入不会彻底替代人工，半响就现真相形而言，职业仍需求可以在规划进程中精确验证和行使 AI 东西和算法的小我私家。这一成长关于人才的深远影响是，进步IC规划职工在职业中的价值，使他们腾出更多的时刻来专心于更巨大和更具缔造性的规划方面，并终究生产出更好的产品。

行使人工智能手工来辅佐规划和制作芯片承揽成为事态所趋。不仅是谷歌和英伟达，EDA软件东西供给商Synopsys、西门子和Cadence等公司也在其最新东西中运用了AI手工，三星将AI手工引进芯片制作等等。这些AI/ML手工方法的引进，将为推动超大规模集成电路结构供给新的倾向，也将成为摩尔定律再运转几年的潜在途径之一。

参考资料

【1】、《A graph placement methodology for fast chip design》

【2】、《DREAMPlace: Deep Learning Toolkit-Enabled GPU Acceleration for Modern VLSI Placement》

【3】、《DREAM-GAN: Advancing DREAMPlace towards Commercial-Quality using Generative Adversarial Learning》