账号:
密码:
CTIMES / 文章 /   
机器学习实现AI与EDA的完美匹配
设计能力大幅提升

【作者: 王岫晨】2019年09月10日 星期二

浏览人次:【921】
  


多年来,分析师和开发人员一直在讨论人工智能(AI)和电子设计自动化(EDA)之间的完美匹配。EDA问题具有高维度、不连续性、非线性和高阶交互等特性。现在设计人员面临的问题,在於可以采用哪些更好的方法来应对这种复杂程度,而不是再应用一种过去的经验,并使用这种经验来预测类似问题的解决方案。


实际上,人工智能已经开始在EDA领域发挥作用,在过去的几年里出现了大幅的进步。但是若就所有AI的成功面来探讨,类似机器学习、神经网路和深度学习等的AI应用,在EDA设计中找到一席之地的速度很慢。然而,这样的状况正在改变当中。


以机器学习强化CMP建模

目前Mentor Graphics就是透过机器学习和神经网路等方式,来生成准确的後沉积曲线,藉此强化了化学机械抛光建模(CMP)。CMP透过平整晶片层,在晶片制造中起到了关键作用。结果取决於被抛光的材料,以及任何给定位置的材料的密度和形状。


由於现在的许多IC电路设计都是更为紧密且微缩,因此CMP後的平面度变化,将会显着影响生产过程的成功率。为了减轻任何可能的负面影响,晶片制造商使用CMP建模来检测潜在的热点,作为其制造设计流程的一部分。



图一 : 近年来,AI晶片制造初创公司的崛起引起了很大的关注,而机器学习在电子设计领域的缓慢渗透仍在持续发生。
图一 : 近年来,AI晶片制造初创公司的崛起引起了很大的关注,而机器学习在电子设计领域的缓慢渗透仍在持续发生。

CMP热点分析是用於寻找可能经历CMP後的缺陷设计区域。由於不同材料在CMP制程中表现出不同的腐蚀速率,因此晶圆厂必须在整个晶片上保持恒定的密度平衡,以防止导致金属互连短路和断裂的凸起和凹陷生成。


为了获得最隹的CMP建模精确度,晶片制造商必须能够产生出高品质的CMP前表面轮廓。如果这些轮廓不准确,则CMP後轮廓的CMP模拟结果将受到损害。为了解决这个问题,Mentor的工程师使用机器学习演算法,来对CMP前表面轮廓中的测量数据进行灵敏度分析。他们发现,轮廓依赖性主要受底层图案几何形状的影响。利用这些资讯,研究人员透过神经网路回归计算来模拟CMP的前表面轮廓,并使用底层图案的几何特徵作为输入。然後,神经网路将估计CMP前轮廓,并作为CMP建模的输入,进而提高整个过程的准确性。


建立正确的连接

人工智慧技术在视讯、语音、预测、机器人及诊断等应用中,正逐渐步入隹境。这些新兴应用对处理能力提出进阶需求,推动运算架构发生天翻地覆的变化,并急剧改变着SoC设计模式。


NetSpeed Systems正在持续将人工智能导入到SoC的设计架构中。针对相关设计问题,NetSpeed Systems推出了以人工智能为基础的SoC晶片内部互连解决方案Orion AI,这是一款用於辅助晶片架构师将SoC互连设计最隹化的产品。像SoC这样的异质架构系统,让设计人员必须面对令人畏惧的高复杂度。为了提出合理的互连策略,设计人员必须考虑大量叁数,包括路由约束、连接要求、协议依赖性、时脉特性和过程特性等,如线路延迟、频宽和延迟约束。这都将使得整体设计架构无限量地扩增。



图二 : 在过去,AI应用在EDA设计中找到一席之地的速度很慢。然而,这样的状况正在改变当中。
图二 : 在过去,AI应用在EDA设计中找到一席之地的速度很慢。然而,这样的状况正在改变当中。


为解决这些问题,NetSpeed采用了需求驱动的设计流程,架构师指定了IP区块,连接和性能要求以及以系统为中心的用例。然後,Orion AI使用监督学习算法搜索互连设计数据中的模式,以识别有前途的策略,评估每种方法的性能,功耗和功能安全性。然後,算法建议互连实现,允许架构师审查自动生成的结果并相应地微调实现。


这些新的SoC内部架构,显示出的是一种新的资料流程,一般来说,想实现快速有效的点对点资料交换,就需要大量的计算单元。传统架构运行的方式是采用中央存储作为资料交换系统。而人工智慧系统需要任意位置资料交换,这可以透过广泛的介面而加以实现,并需要支援长突发传输。Orion AI的一个关键优势就是能够支援多重多播的需求,并支持非阻塞传输。



图三 : 新兴应用对处理能力提出进阶需求,推动运算架构发生天翻地覆的变化,并急剧改变着SoC设计模式。
图三 : 新兴应用对处理能力提出进阶需求,推动运算架构发生天翻地覆的变化,并急剧改变着SoC设计模式。

Orion AI由NetSpeed的机器学习引擎提供支援,该引擎使用监督学习来探索和优化SoC设计与架构。这种架构是一种以人工智慧为核心的设计方法,就像有一位随时上线的师来做出设计上的建议。处理器架构师可以采纳AI的建议,然後将时间花在解决SoC设计中的其他难题。Orion AI方案支持多播与广播等先进特性,能极大化地提升人工智慧SoC与加速器ASIC的性能与效率,可广泛应用於资料中心、自动驾驶、AR/VR,以及先进视讯分析。Orion AI由NetSpeed的Orion IP建构而成,这些Orion IP已经授权给许多人工智慧公司。


从AI向云端运算扩展

人工智慧技术的新兴应用对处理能力提出进阶需求,推动运算架构发生天翻地覆的变化,并急剧改变着SoC设计模式。

近年来,AI晶片制造初创公司的崛起引起了很大的关注,而机器学习在电子设计领域的缓慢渗透仍在持续发生。在现阶段,从AI向云端运算的扩展,或许是EDA产业值得观察的一个方向。


例如Synopsys近期的整体战略,就是利用机器学习来加速分析。而Cadence Design Systems也已经将机器学习应用於函式库。机器学习用於这些任务中,已经成为该技术发展的最好案例,至少在设计的早期阶段,透过从先前的运行中学习,透过识别最需要详细分析的可能热点,来加速整体设计流程。


此外,由於温度和过程效应的影响越来越大,函式库和标准单元的模拟,需要考虑比以往更多的设计角度。它还越来越依赖於统计分析技术。这消耗了大量的机器运作周期,且不断增加中。


Cadence将机器学习用应用於晶片设计中,透过学习的启发式方法,来识别重要的设计流程。Cadence这样的工具可以根据函式库的一小部分区块,来识别和预测设计流程中的关键部分。


建构启发式的学习

2017年底,西门子的Mentor事业部收购了Solido Design Automation,它推出了一个函式库工具,作为机器学习长期开发计划的一部分。Mentor认为,所有叁数的强力模拟结果,会占用大量的机器资源。而启发式的演算法可以带来更快的结果。


EDA和其他想要应用机器学习的部门,主要的关键区别在於数据的性质。就EDA来说,并不会尝试采取一堆历史数据并从中学习经验。通常EDA设计会在运行中收集数据,使其在自适应的机器学习循环上运行。训练数据的生成器通常是模拟器,然而,模拟设计通常不是EDA中唯一适合机器学习的领域。就这点来看,Synopsys一直在密切关注使用机器学习以构建启发式的学习方法,这将可以帮助加快正式验证的运行。


结语

从以上的一些厂商发展现况与案例,显示了AI如何在晶片设计开始的过程中,占有一席之地。在某些情况下,甚至可以透过AI,将晶片生产力提高十倍。以AI来提升EDA的设计能力不再是问题,只是两种技术之间的运作关系与定义等,在未来还有一段很长的路要走。


相关文章
PCIe 5.0加速进击 6.0将迎来全新规范
工业4.0冲击制造业 人机介面需同步进化
3D FeFET角逐记忆体市场
强化学习:入门指南
新世代变频器━数位化、强固性、高整合能力
comments powered by Disqus
相关讨论
  相关新品
Lattice MachXO Control Development Kit
原厂/品牌:Lattice
供应商:Lattice
產品類別:FPGA
Lattice ECP3 PCI Express
原厂/品牌:Lattice
供应商:Lattice
產品類別:FPGA
Lattice ECP3 Video Protocol Board
原厂/品牌:Lattice
供应商:Lattice
產品類別:FPGA
  相关新闻
» 光线用得巧 ST将推出第四代ToF高精确光学感测模组
» 数位通国际:以虚拟技术 消弭云端服务应用壁垒
» MIC:实现智慧创新 独立式5G架构将扮演重要角色
» MIC:2020年总体环境两大重点为平庸化成长与破碎化市场
» Mentor多项产品通过台积电的5nm/7nm制程认证
  相关产品
» ST:功能安全将是工业4.0的重中之重
» Mentor扩展可支援台积电5奈米FinFET与7奈米FinFET Plus 制程技术的解决方案
» Mentor扩展可支援台积电5/7奈米FinFET Plus 制程技术的解决方案
» Mentor与Teradyne推出ATE-Connect测试技术 大幅缩短晶片除错与测试上线时间
» 伺服器48V新标准正热 Vicor三相RFM满足机架电源新挑战

AD


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2019 远播信息股份有限公司版权所有 Powered by O3
地址:台北市中山北路三段29号11楼 / 电话 (02)2585-5526 / E-Mail: webmaster@ctimes.com.tw