第 84 节 芯片设计自动化的前景（第1页）

随着晶体管集成数量的急剧增加，芯片设计的复杂度也相应地大大增加。为了设计一个 AI 芯片，往往需要投入大量的人力和资金，设计也需要至少一年的周期。在技术不断更新的后摩尔时代，这显然已经构成了一个巨大挑战。

因此，AI 芯片设计流程需要有颠覆性的改进和变动，以使芯片设计变得更高效、更迅速，而且更简洁。有几种方法将会被采用：

1.算法设计和芯片设计紧密配合

这包括以下几方面。

（1）由芯片驱动算法设计：评估各种 AI 芯片架构的运行能力，然后再改进算法；

（2）由算法驱动芯片设计：根据应用需求和算法来设计 AI 芯片，或先用 FPGA 来实现研究型样片；

（3）算法和芯片协同设计：算法设计和芯片设计在一起进行，这需要与合适的公司或团队建立合作关系。

2.AI 算法用于 EDA 芯片设计工具

使用深度学习等 AI 算法之后，可使现有的 EDA 工具带有智能。在设计模拟电路、RF 电路的时候，一些元器件的参数需要优化，而设计芯片版图的时候，布局布线需要在芯片面积、时序、拥塞和线长等多个指标上得到优化。这类最优化问题过去一直是芯片设计中最花时间、最难解决的问题，而现在有了合适的 AI 算法，可以在这方面充分发挥作用。

谷歌在 ISSCC 2020 上介绍了把 AI 用于 ASIC 芯片设计中布局布线的成果。如果让芯片设计专家完成这项任务通常需要一周甚至数周时间，而 AI 布局布线通常在 24 小时内就能完成相同的工作量，并且布局的连线通常更短。谷歌使用了深度强化学习方法对芯片布局问题建立模型。与典型的深度学习不同，强化学习系统不会训练大量的标签数据，而是会边做边学，并在成功时根据奖励信号调整网络中的参数。在这种情况下，奖励是降低功率、改善性能和减小面积三方面的组合指标。而执行的设计越多，其任务就会完成得越好。

AI 可能还会扩展到芯片设计过程的其他部分，包括使用 AI 来帮助生成测试用例，以更充分地进行 ASIC 设计验证；也许还可以使用 AI 来改进高级代码综合以达到更优化的设计。另外，AI 也可以帮助 EDA 工具在信号完整性和电源完整性方面加速自动化过程。这些可能的应用方向对深度学习本身的普及很重要，同时对加速芯片设计进度也
（本章节未完结，点击下一页翻页继续阅读）