帳號:
密碼:
最新動態
產業快訊
CTIMES / 文章 /
機器學習實現AI與EDA的完美匹配
設計能力大幅提昇

【作者: 王岫晨】   2019年09月10日 星期二

瀏覽人次:【6445】


多年來,分析師和開發人員一直在討論人工智能(AI)和電子設計自動化(EDA)之間的完美匹配。EDA問題具有高維度、不連續性、非線性和高階交互等特性。現在設計人員面臨的問題,在於可以採用哪些更好的方法來應對這種複雜程度,而不是再應用一種過去的經驗,並使用這種經驗來預測類似問題的解決方案。


實際上,人工智能已經開始在EDA領域發揮作用,在過去的幾年裡出現了大幅的進步。但是若就所有AI的成功面來探討,類似機器學習、神經網路和深度學習等的AI應用,在EDA設計中找到一席之地的速度很慢。然而,這樣的狀況正在改變當中。


以機器學習強化CMP建模

目前Mentor Graphics就是透過機器學習和神經網路等方式,來生成準確的後沉積曲線,藉此強化了化學機械拋光建模(CMP)。CMP透過平整晶片層,在晶片製造中起到了關鍵作用。結果取決於被拋光的材料,以及任何給定位置的材料的密度和形狀。


由於現在的許多IC電路設計都是更為緊密且微縮,因此CMP後的平面度變化,將會顯著影響生產過程的成功率。為了減輕任何可能的負面影響,晶片製造商使用CMP建模來檢測潛在的熱點,作為其製造設計流程的一部分。



圖一 : 近年來,AI晶片製造初創公司的崛起引起了很大的關注,而機器學習在電子設計領域的緩慢滲透仍在持續發生。
圖一 : 近年來,AI晶片製造初創公司的崛起引起了很大的關注,而機器學習在電子設計領域的緩慢滲透仍在持續發生。

CMP熱點分析是用於尋找可能經歷CMP後的缺陷設計區域。由於不同材料在CMP製程中表現出不同的腐蝕速率,因此晶圓廠必須在整個晶片上保持恆定的密度平衡,以防止導致金屬互連短路和斷裂的凸起和凹陷生成。


為了獲得最佳的CMP建模精確度,晶片製造商必須能夠產生出高品質的CMP前表面輪廓。如果這些輪廓不準確,則CMP後輪廓的CMP模擬結果將受到損害。為了解決這個問題,Mentor的工程師使用機器學習演算法,來對CMP前表面輪廓中的測量數據進行靈敏度分析。他們發現,輪廓依賴性主要受底層圖案幾何形狀的影響。利用這些資訊,研究人員透過神經網路回歸計算來模擬CMP的前表面輪廓,並使用底層圖案的幾何特徵作為輸入。然後,神經網路將估計CMP前輪廓,並作為CMP建模的輸入,進而提高整個過程的準確性。


建立正確的連接

人工智慧技術在視訊、語音、預測、機器人及診斷等應用中,正逐漸步入佳境。這些新興應用對處理能力提出進階需求,推動運算架構發生天翻地覆的變化,並急劇改變著SoC設計模式。


NetSpeed Systems正在持續將人工智能導入到SoC的設計架構中。針對相關設計問題,NetSpeed Systems推出了以人工智能為基礎的SoC晶片內部互連解決方案Orion AI,這是一款用於輔助晶片架構師將SoC互連設計最佳化的產品。像SoC這樣的異質架構系統,讓設計人員必須面對令人畏懼的高複雜度。為了提出合理的互連策略,設計人員必須考慮大量參數,包括路由約束、連接要求、協議依賴性、時脈特性和過程特性等,如線路延遲、頻寬和延遲約束。這都將使得整體設計架構無限量地擴增。



圖二 : 在過去,AI應用在EDA設計中找到一席之地的速度很慢。然而,這樣的狀況正在改變當中。
圖二 : 在過去,AI應用在EDA設計中找到一席之地的速度很慢。然而,這樣的狀況正在改變當中。


為解決這些問題,NetSpeed採用了需求驅動的設計流程,架構師指定了IP區塊,連接和性能要求以及以系統為中心的用例。然後,Orion AI使用監督學習算法搜索互連設計數據中的模式,以識別有前途的策略,評估每種方法的性能,功耗和功能安全性。然後,算法建議互連實現,允許架構師審查自動生成的結果並相應地微調實現。


這些新的SoC內部架構,顯示出的是一種新的資料流程,一般來說,想實現快速有效的點對點資料交換,就需要大量的計算單元。傳統架構運行的方式是採用中央存儲作為資料交換系統。而人工智慧系統需要任意位置資料交換,這可以透過廣泛的介面而加以實現,並需要支援長突發傳輸。Orion AI的一個關鍵優勢就是能夠支援多重多播的需求,並支持非阻塞傳輸。



圖三 : 新興應用對處理能力提出進階需求,推動運算架構發生天翻地覆的變化,並急劇改變著SoC設計模式。
圖三 : 新興應用對處理能力提出進階需求,推動運算架構發生天翻地覆的變化,並急劇改變著SoC設計模式。

Orion AI由NetSpeed的機器學習引擎提供支援,該引擎使用監督學習來探索和優化SoC設計與架構。這種架構是一種以人工智慧為核心的設計方法,就像有一位隨時上線的師來做出設計上的建議。處理器架構師可以採納AI的建議,然後將時間花在解決SoC設計中的其他難題。Orion AI方案支持多播與廣播等先進特性,能極大化地提升人工智慧SoC與加速器ASIC的性能與效率,可廣泛應用於資料中心、自動駕駛、AR/VR,以及先進視訊分析。Orion AI由NetSpeed的Orion IP建構而成,這些Orion IP已經授權給許多人工智慧公司。


從AI向雲端運算擴展

人工智慧技術的新興應用對處理能力提出進階需求,推動運算架構發生天翻地覆的變化,並急劇改變著SoC設計模式。

近年來,AI晶片製造初創公司的崛起引起了很大的關注,而機器學習在電子設計領域的緩慢滲透仍在持續發生。在現階段,從AI向雲端運算的擴展,或許是EDA產業值得觀察的一個方向。


例如Synopsys近期的整體戰略,就是利用機器學習來加速分析。而Cadence Design Systems也已經將機器學習應用於函式庫。機器學習用於這些任務中,已經成為該技術發展的最好案例,至少在設計的早期階段,透過從先前的運行中學習,透過識別最需要詳細分析的可能熱點,來加速整體設計流程。


此外,由於溫度和過程效應的影響越來越大,函式庫和標准單元的模擬,需要考慮比以往更多的設計角度。它還越來越依賴於統計分析技術。這消耗了大量的機器運作週期,且不斷增加中。


Cadence將機器學習用應用於晶片設計中,透過學習的啟發式方法,來識別重要的設計流程。Cadence這樣的工具可以根據函式庫的一小部分區塊,來識別和預測設計流程中的關鍵部分。


建構啟發式的學習

2017年底,西門子的Mentor事業部收購了Solido Design Automation,它推出了一個函式庫工具,作為機器學習長期開發計劃的一部分。Mentor認為,所有參數的強力模擬結果,會佔用大量的機器資源。而啟發式的演算法可以帶來更快的結果。


EDA和其他想要應用機器學習的部門,主要的關鍵區別在於數據的性質。就EDA來說,並不會嘗試採取一堆歷史數據並從中學習經驗。通常EDA設計會在運行中收集數據,使其在自適應的機器學習循環上運行。訓練數據的生成器通常是模擬器,然而,模擬設計通常不是EDA中唯一適合機器學習的領域。就這點來看,Synopsys一直在密切關注使用機器學習以構建啟發式的學習方法,這將可以幫助加快正式驗證的運行。


結語

從以上的一些廠商發展現況與案例,顯示了AI如何在晶片設計開始的過程中,佔有一席之地。在某些情況下,甚至可以透過AI,將晶片生產力提高十倍。以AI來提升EDA的設計能力不再是問題,只是兩種技術之間的運作關係與定義等,在未來還有一段很長的路要走。


相關文章
開啟邊緣智能新時代 ST引領AI開發潮流
NVIDIA人工智慧專家看2024年
你的下一個運動教練可能是人工智慧
生成式AI與PC革新
機器學習可以幫助未來的癌症診斷
comments powered by Disqus
相關討論
  相關新聞
» Arm發佈車用技術及運算子系統路徑圖 加速AI車輛上市
» NetApp藉由智慧型資料基礎架構加速AI創新
» 亞東工業氣體司馬庫斯廠落成 強化在台半導體材料供應鏈韌性
» 友通加速投入AI IPC研發 擴大應用領域
» 意法半導體第二代STM32微處理器推動智慧邊緣發展 提升處理性能和工業韌性


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 遠播資訊股份有限公司版權所有 Powered by O3  v3.20.2048.34.237.245.80
地址:台北數位產業園區(digiBlock Taipei) 103台北市大同區承德路三段287-2號A棟204室
電話 (02)2585-5526 #0 轉接至總機 /  E-Mail: webmaster@ctimes.com.tw