随着AI技术的不断成熟和应用范围的扩大，不少研究机构和厂家开始研究AI在芯片设计领域的运用。毋庸置疑的是，AI在自动化设计、优化电路、实时监控和识别缺陷、快速筛选和配置设计模块等方面有着较大的优势。但仅用AI就能实现芯片设计吗？近日，刊登在IEEE Spectrum的文章《AI Alone Isn't Ready for Chip Design: A combination of classical search and machine learning may be the way forward》报道了英特尔人工智能实验室的最新研究进展平博。该文章的基本结论是：芯片设计仅靠AI还不够，需要经典搜索和机器学习结合。文章的主要观点概括如下：

　　图为AI生成平博pinnacle体育平台

　　现代芯片工程是由九个阶段组成的迭代过程，从系统规范到封装，每个阶段都包含几个子阶段，可能需要数周到数月的时间，具体取决于问题的规模及其约束。当今使用的自动化工具通常无法解决这种规模的实际问题，这意味着必须由人工介入，使得该过程比芯片制造商所希望的更加费力和耗时。

　　布局规划是芯片设计的许多阶段之一，其中CPU内核和其他功能块的排列须满足特定目标。这尤其具有挑战性，因为它需要求解具有多个约束的大型优化问题。

　　芯片设计最大的瓶颈之一是物理设计阶段，该阶段涉及对芯片布局和连接进行几何优化。第一步是将芯片划分为高级功能块，例如CPU内核、内存块等。然后，这些大分区被细分为较小的分区，称为宏和标准单元。一个普通的电路系统（SoC）有大约100个高级块，由数百到数千个宏和数千到数十万个标准单元组成。接下来是布局规划，其中功能块的排列是为了满足某些设计目标，包括高性能、低功耗和成本效益。此类布局规划问题属于数学编程的一个分支，称为组合优化（combinatorial optimization），其组合方案数量可能大到天文数字。

　　尽管过去十年机器学习取得了巨大成功，但迄今为止它对芯片设计的影响相对较小。像Nvidia等公司主要用其编写脚本和分析错误，但在解决布局规划等复杂优化问题上进展有限。在模型方面，虽然理论上可训练Transformer模型预测芯片模块的物理坐标来做布局规划，但存在诸多问题，如计算机难以学习“块不重叠”概念，需大量训练数据和时间，且在处理设计约束时表现不佳。

　　针对上述问题，英特尔人工智能实验室团队在优化组合以及机器学习方面进行了探索，他们提出了基于模拟退火（SA）的搜索技术，该技术可以随时对任何区块进行更改，基本上允许算法纠正早期的错误。在没有限制的情况下，能在几分钟内完成具有数百个块的高度复杂的平面图的制作。它的工作原理：算法从随机解决方案开始，允许算法采取以下三种操作之一：交换两个块、将一个块从一个位置移动到另一个位置，或者调整一个块的宽高比（不改变其面积）。通过对总面积和线长取加权平均值来判断最终布局规划的质量。

　　使用一种称为模拟退火的搜索技术，布局规划算法从随机布局 [top] 开始。然后，它会尝试通过交换两个块、将块移动到另一个位置或调整块的纵横比来改进布局。

　　此外，英特尔开发了一个开源布局规划工具，简称Parsac。设计师可以从Parsac的最佳解决方案中进行选择。当在多达300个块的流行布局规划基准上测试Parsac时，它轻松击败了所有其他已发布的公式，包括其他基于SA的算法和机器学习模型。同时，英特尔正在努力让Parsac适应宏观布局，这意味着它可以从数百个元素扩展到数千个元素，同时仍然遵守约束。

　　研究人员也在创建样本布局图的开放数据集，希望这些数据集将成为该领域的新基准。研究人员发布了两个数据集，分别称为FloorSet-Lite和FloorSet-Prime，现在可在GitHub上获取。每个数据集包含100万个用于训练机器学习模型的布局和100个针对面积和线长进行优化的测试布局。尽管强大的开放式存储库可以大大促进机器学习在芯片设计中的应用，但不太可能看到完全基于人工智能的解决方案来解决布局规划等棘手的优化问题。

　　相反，研究人员预计混合算法将成为最终的赢家。通过学习识别最有前途的解决方案类型进行探索，AI模型可以智能地指导Parsac等搜索代理，从而提高它们的效率。芯片设计人员可以更快地解决问题，从而创建更复杂、更节能的芯片。AI可能无法完全独立地创建芯片，甚至无法完成单个设计阶段。但当与其他创新方法相结合时，它将改变该领域的格局。

　　长按下方二维码，即可阅读英特尔最新研究进展点击“阅读原文”，了解黄大年茶思屋科技网站更多关于AI 与芯片设计发展的精彩内容。

　　扫码进入茶思屋科技网站

　　加入茶思屋产学研思想碰撞

　　转载请联系本公众号获得授权

　　投稿：hdncsw@huawei.com