在“AI Inside”与“AI Outside”两轮驱动下的EDA |
您所在的位置：网站首页 › inside如何操作 › 在“AI Inside”与“AI Outside”两轮驱动下的EDA |
在“AI Inside”与“AI Outside”两轮驱动下的EDA
|
说明： 文中AI技术特指ML/DL/RL。文末有好书推荐：第一本机器学习在EDA中应用的书籍，本书集结了David Z. Pan、曾璇等 EDA领域多位国际知名学者的研究成果。前言：简要说明下芯片设计流程，方便理解EDA算法。该案例来源于Prof. Jens Vygen @University of Bonn的《Combinatorial Optimization and Applications in VLSI Design》课程。  正文来了：2019年，关于AI，EDA工具商都在展示两个观点：（1）AI Outside：如何设计EDA工具助力AI芯片的高效设计；（2）AI Inside：如何在EDA工具中应用AI算法以赋能芯片设计。这是两个非常有趣的观点，无论如何，AI已经成为EDA工业界和学术界关注的焦点。本文对现有各种资料和报道做了一些汇总与整理。 1. AI Inside EDA问题具有高维度、不连续性、非线性和高阶交互等特性，学术界和工业界普遍认为机器学习等算法能够提高 EDA 软件的自主程度，提高 IC 设计效率，缩短芯片研发周期。 在EDA领域的学术会议和期刊中，我们已经可以看到机器学习的应用实例包括：（1）建立更准确的参数模型，优化参数分析过程，提高DRC、绕线、拥塞等预测准确度；（2）探索物理设计空间，提升VLSI QoR(routability, timing, area, power)。   （1）EDA公司的成果： Cadence的布局布线工具Innovus，里面已有内置的 AI 算法，以提升Floorplan的效率和质量。Project Virtus，通过机器学习解决 EM-IR 和 Timing 之间的相互影响；还有 Signoff Timing 和 SmartLEC等工具，都嵌入了人工智能算法。  Cadence公司：2020年3月18日，发布已经过数百次先进工艺节点成功流片验证的新版Cadence数字全流程，进一步优化功耗，性能和面积，广泛应用于汽车，移动，网络，高性能计算和人工智能（AI）等各个领域。流程采用了支持机器学习（ML）功能的统一布局布线和物理优化引擎等多项业界首创技术，吞吐量最高提升3倍，PPA最高提升20%，助力实现卓越设计。 Mentor：比如Machine Learning OPC可以将光学邻近效应修正(OPC)输出预测精度提升到纳米级，同时将执行时间缩短3倍。而在此之前，完成同样的工作量，需要4000个CPU 不间断地运行24小时；而在LFD中，通过机器学习既解决了海量未标记数据的提取，同时也通过训练好的数据使预测更加精准。结果显示，与基于全芯片模型的仿真相比，在保持最佳精度的同时还使性能提高了10-20倍。 Mentor：而在深度数据分析上，除了来自Solido的variation aware的设计外，采用RCD(root cause deconvolution)技术消除诊断结果噪声，减少根因分析时间，发现其它隐藏较深导致良率问题的根源，也是非常典型的AI在EDA工具中的应用。 Synopsys：2020年3月12日，Synopsys推出业界首个用于芯片设计的自主人工智能应用程序——DSO.aiTM(Design Space Optimization AI)，这是电子设计技术上所取得的重大突破。DSO.aiTM解决方案的创新灵感来源于DeepMind的AlphaZero，使得AI在围棋、象棋领域远超人类。作为一款人工智能和推理引擎，DSO.ai能够在芯片设计的巨大求解空间里搜索优化目标。该解决方案大规模扩展了对芯片设计流程选项的探索，能够自主执行次要决策，帮助芯片设计团队以专家级水平进行操作，并大幅提高整体生产力，从而在芯片设计领域掀起新一轮革命。谷歌Jeff Dean发表了论文《The Deep Learning Revolution and Its Implications for Computer Architecture and Chip Design》，也在ISSCC-2020做了，阐述了如何使用机器学习算法自动实现芯片布线、制造缺陷检测等各个阶段的高质量解决方案。但是，文中并没有与现有EDA工具和state of art做比较，因此还未看到相比现有EDA工具有何优势。  （2）学术界 从EDA领域的几大顶会（DAC、ICCAD、ASP-DAC）近几年论文收录情况，我们也可以看到学术界的探索。 DAC-2019的 5篇最佳论文提名中3篇与AI相关： LithoGAN: End-to-end Lithography Modeling with Generative Adversarial NetworksBRIC: Locality-based Encoding for Energy-Efficient Brain-Inspired Hyperdimensional Computing A 1.17 TOPS-W, 150fps Accelerator for Multi-face Detection and Alignment DREAMPlace: Deep Learning Toolkit-enabled GPU Acceleration for Modern VLSI Placement Accuracy vs. Efficiency: Achieving Both through FPGA-Implementation Aware Neural Architecture Search最终，最佳论文由“DREAMPlace: Deep Learning Toolkit-enabled GPU Acceleration for Modern VLSI Placement”获得。（论文开源网址 https://github.com/limbo018/DREAMPlace）  在DAC-2020的网站，可以看到57th DAC General Chair Zhuo Li的寄语： 随着该行业深入到2020年，很明显AI / ML架构和解决方案的研究和应用将继续加速。实际上，可以通过检查最近提交给2020 DAC的AI / ML架构和系统设计论文的数量来衡量印证。2018年，共提交了56篇AI / ML架构和系统论文供审查。该数字在2019年增加到92篇提交论文，到2020年惊人的194篇提交论文。换句话说，AL / MI架构和系统设计研究的复合年增长率为86%！考虑到麦肯锡公司（McKinsey＆Company）最近报告说，与非AI半导体市场相比，AI半导体的总可用市场将以5倍的速度增长，这也许不足为奇。但是AL / ML研究不仅限于DAC提交的硬件体系结构。我们还看到了应用于传统EDA问题的AI / ML算法和方法的惊人增长，范围从光刻热点检测到物理设计和实现。2019年，在IEEE Council on Electronic Design Automation (CEDA) 和ACM Special Interest Group on Design Automation (SIGDA)的支持下，在加拿大Banff举办了ACM/IEEE workshop on machine learning for CAD 2019（MLCAD 2019）。2020年会议主页为： 会议的投稿主题包括但不限于： • ML for system-level design • ML approaches to logic design • ML for physical design • ML for analog design • ML for power and thermal management • ML for Design Technology Co-Optimization (DTCO) • ML methods to predict aging and reliability • Labeled and unlabeled data in ML for CAD • ML techniques for resource management in many cores • ML for Verification and Validation 好书推荐： 2019年，Springer上架了《Machine Learning in VLSI Computer-Aided Design》，本书Editors: Elfadel, Ibrahim (Abe) M., Boning, Duane S., Li, Xin (Eds.) 。本书为读者提供了有关在超大规模集成电路（VLSI）的计算机辅助设计（CAD）使用机器学习框架，方法，算法和技术的最新信息。涵盖的范围包括光刻，物理设计，成品率预测，硅后性能分析，可靠性和故障分析，功率和热分析，模拟设计，逻辑综合，验证和神经形态设计中使用的各种机器学习方法。  2. AI Outside： Synopsys认为“现代SoC软硬件设计的复杂性日说明： 文中AI技术特指ML/DL/RL。文末有好书推荐：第一本机器学习在EDA中应用的书籍，本书集结了David Z. Pan、曾璇等 EDA领域多位国际知名学者的研究成果。 |
【本文地址】
今日新闻 |
推荐新闻 |