世界受到 ChatGPT 等生成式 AI 模型的啟發(fā)。這些非常適用于副駕駛和代理 AI 等，但將這些模型采用到 EDA 工具中并不那么明顯。什么是合適的，人工智能能否使 EDA 工具更快或更好？

在過去的 40 年里，EDA 一直在支持摩爾定律，這需要突破許多已經(jīng)開發(fā)的算法和技術(shù)的極限（見圖 1）。在某些情況下，算法可能已經(jīng)存在，但可用的計算能力不足以使其實(shí)用?；?a class="contentlabel" href="http://yuyingmama.com.cn/news/listbylabel/label/人工智能">人工智能的解決方案也是如此。

“這對 EDA 來說并不是一個新的旅程，”Cadence 戰(zhàn)略和新企業(yè)集團(tuán)總監(jiān) Rob Knoth 說?！斑@是我們幾十年來一直在努力的事情。隨著技術(shù)的每一項進(jìn)步，工程師們都在渴望擁抱自動化。如果沒有這個，他們永遠(yuǎn)無法回家與家人共進(jìn)晚餐。每一代人的工作量和復(fù)雜性都在呈指數(shù)級增長。

圖1：EDA和算法的演變。來源：Cadence

在 EDA 中使用 AI 并不新鮮。早期的開發(fā)商之一是 Solido Solutions（現(xiàn)為西門子 EDA 的一部分），成立于 2005 年，遠(yuǎn)早于生成式人工智能首次亮相。該公司使用了機(jī)器學(xué)習(xí)技術(shù)，其他幾個例子也基于強(qiáng)化學(xué)習(xí)?！霸缙诘墓ぞ邆?cè)重于我們?nèi)绾巫鲆恍┦虑椋缗c暴力破解技術(shù)相比，我們?nèi)绾卧诟俚哪M中獲得更好的設(shè)計覆蓋率，”西門子 EDA 定制 IC 部門副總裁兼總經(jīng)理 Amit Gupta 說?！斑@些都是工具內(nèi)部有意義的東西。”

許多其他工具緊隨其后?！跋胂胛覀冊谶^去五年中推出的所有技術(shù)，”新思科技高級總監(jiān)兼人工智能產(chǎn)品管理主管 Anand Thiruvengadam 說。“這始于基于強(qiáng)化學(xué)習(xí)的優(yōu)化技術(shù)?！?/p>

每家公司都利用了有意義的技術(shù)?！拔覀兝昧艘?guī)劃算法，”Breker Verification Systems 首席執(zhí)行官 Dave Kelf 說?！斑@是一種廣泛使用的代理方法，它為國家空間探索添加了智能，以生成測試，而不是簡單的隨機(jī)決策?！?/p>

但就在兩年多前，由于計算能力的爆炸式增長，人工智能的感知能力發(fā)生了巨大飛躍。生成式人工智能變得易于使用，最近推出了支持代理人工智能的工具和平臺（見圖 2）。沒有立即跡象表明計算能力的增長會放緩，盡管可能存在與之相關(guān)的經(jīng)濟(jì)性問題。

圖 2：人工智能的類別及其用例。來源：西門子 EDA

然而，這些進(jìn)步并不意味著每一項新技術(shù)都優(yōu)于現(xiàn)有的技術(shù)?！安灰浕镜臄?shù)學(xué)，”Cadence 的 Knth 說?！叭斯ぶ悄苁且豁椓瞬黄鸬募夹g(shù)，但真空中的人工智能并不總是獲得答案的最有效或最有效的方式。如果您有數(shù)學(xué)和物理學(xué)來描述一個系統(tǒng)，那么計算答案是一種非常有效、準(zhǔn)確的方法來完成工作。人工智能可以幫助加速這一進(jìn)程。人工智能可以從我們的計算中學(xué)習(xí)。但你不能放棄這些第一原則。你不能放棄這種對該領(lǐng)域的真正了解，因?yàn)樗_實(shí)是一種超級大國。如果你考慮一下他們?nèi)绾位ハ嗉訌?qiáng)和幫助，那才是真正的魔力所在。

大多數(shù) EDA 工具仍然是基于規(guī)則的?！澳闳匀挥幸恍┳罱K目標(biāo)和最終限制正在處理，”Arteris 首席營銷官 Michal Siwinski 說?！坝辛诉@個框架，你就會有人工智能在里面，人工智能在外面。兩者都是需要的，但它們的行為會有所不同。鑒于內(nèi)部已經(jīng)采用人工智能的工具數(shù)量，并顯示出一致且可信的良好結(jié)果，關(guān)于人工智能的問題在本世紀(jì)之交得到了解答。從那時起，它只是在完善它并使其變得更好。

EDA
的獨(dú)特需求對于任何芯片設(shè)計來說，故障成本都很高，這意味著準(zhǔn)確性和可驗(yàn)證性是 EDA 工具中兩個非常受推崇的功能。“他們不希望人工智能成為一個黑匣子解決方案，會給出答案，然后你不確定它是否正確，”西門子的古普塔說?！澳阆Ｍ绾翁岢鼋鉀Q方案的透明度和可見性，從而使其可驗(yàn)證。它需要處理廣泛的設(shè)計問題，不是針對特定情況，而是針對一般的穩(wěn)健性。

在處理優(yōu)化時，正確性是一個更容易解決的問題。“基于強(qiáng)化學(xué)習(xí)的優(yōu)化技術(shù)本質(zhì)上是為了幫助解決這個問題，”Synopsys 的 Thiruvengadam 說?！耙话銇碚f，在芯片設(shè)計中，你要面對一個非常大的設(shè)計空間、一個優(yōu)化空間，你必須有一種有效的方式來探索這個空間，以提出正確的解決方案、最佳答案或一組最佳答案。這是一個非常棘手的問題。這就是人工智能可以提供幫助的地方。

設(shè)計優(yōu)化使工程師的工作效率更高。“這正在幫助一名工程師在子系統(tǒng)級別變得非常有效，”Knoth 說?！斑@有助于將一個在一個區(qū)塊上有效的配方移植到另一個區(qū)塊。這是關(guān)于在短時間內(nèi)提供更好的購電協(xié)議的艱苦工作，而無需大量的新工程投資。這不使用大型語言模型。它正在使用強(qiáng)化學(xué)習(xí)。你不能只是被最新的閃亮的東西分散注意力。這是關(guān)于建立和擁有你幾十年來積累的令人敬畏的東西。

將錯誤的模型應(yīng)用于問題是麻煩的開始?！艾F(xiàn)有企業(yè)感到沮喪的許多人工智能技術(shù)基本上只是圍繞通用 GPT 模型的普通 LLM 調(diào)用，”Normal Computing 產(chǎn)品經(jīng)理 Hanna Yip 說?！八麄儾涣私庠O(shè)計驗(yàn)證工程師作的特定上下文和代碼庫。這會導(dǎo)致幻覺和錯過上下文，這在芯片驗(yàn)證中是致命的。人工智能需要利用的不僅僅是這些基本模型。代碼庫中的正式建模和代理方法是處理它的正確方法。

問題的規(guī)模超出了某些商業(yè)產(chǎn)品?！拔覀儾粌H僅是使用現(xiàn)成的人工智能、開源算法并將其應(yīng)用于 EDA，”Gupta 說。“相反，我們考慮的是我們正在處理的問題的規(guī)模。我們談?wù)摰氖谴S的每臺設(shè)備有七個工藝參數(shù)。我們談?wù)摰氖菙?shù)百萬臺設(shè)備。我們談?wù)摰氖蔷薮蟮木S度問題。工具還必須能夠理解 EDA 中存在的不同模式。有原理圖、波形、Excel 電子表格，他們必須了解芯片設(shè)計和電路板設(shè)計。

目標(biāo)沒有改變，即使有新的方法來實(shí)現(xiàn)它們?！懊宽椉夹g(shù)中仍然有決策樹，”Arteris 的 Siwinski 說?！霸谄渲?，你可以取代一些愚蠢的啟發(fā)式方法。你能在強(qiáng)化訓(xùn)練方面做得更好，或者使用 AI 技術(shù)做一些更好的聚類和分類來預(yù)先做一些分析嗎？有愚蠢的分析方法，也有聰明的分析方法。有沒有辦法從根本上確保所有技術(shù)中的啟發(fā)式方法變得更好并繼續(xù)變得更好？簡短的回答是肯定的。幾乎每個現(xiàn)代工具都有某種程度的這一點(diǎn)，因?yàn)槟阒皇窃诟淖兯惴ǖ念愋秃湍阌脕韴?zhí)行任務(wù)的數(shù)學(xué)類型。無論是設(shè)計、驗(yàn)證還是實(shí)現(xiàn)，你只是在改變算法。

好事伴隨著壞事。“你需要數(shù)據(jù)來訓(xùn)練模型，”Ansys（現(xiàn)為新思科技的一部分）的總監(jiān)Rich Goldman說?！斑@為現(xiàn)有的 IC 設(shè)計公司和現(xiàn)有的 EDA 公司帶來了巨大的優(yōu)勢。這將使初創(chuàng)公司更難參與 EDA 工具的創(chuàng)建。他們更難從模型中獲得這種優(yōu)勢。將提供通用模型，以及他們可以利用的法學(xué)碩士，但不會達(dá)到老牌公司能夠利用的程度，因?yàn)樗麄儞碛袛?shù)據(jù)。

獲得信心 最大的問題
之一是確保使用 AI 的工具可以被信任?！昂炞志褪切湃?，”諾斯說?！皽?zhǔn)確性在其中起著巨大的作用，但它確實(shí)是隨著時間的推移、幾代人建立起來的信任，證明當(dāng)我從系統(tǒng)中獲取這個數(shù)字時，我可以安全地根據(jù)它做出決定。這是真正重要的部分。計算、計算構(gòu)成了這種信任的基礎(chǔ)，也是對工具如何工作的粗略了解，這樣你就知道當(dāng)你扔給它時，它以前從未見過的東西。

這需要透明度。“當(dāng)前的人工智能解決方案只是黑匣子，”Normal Computing 的產(chǎn)品經(jīng)理 Prashant 說。“需要的是一種產(chǎn)生抵押品的方法，使人工智能的推理可見。這可以通過正式模型、本體和鏈接的測試計劃來實(shí)現(xiàn)，使設(shè)計驗(yàn)證工程師能夠準(zhǔn)確地看到工具的輸出如何映射回規(guī)范。這種可解釋性是建立對人工智能信心的原因，尤其是在芯片設(shè)計這樣的高信任環(huán)境中，你需要相信這不僅僅是一個黑匣子輸出。

工具需要解釋它們在做什么?！霸谔幚硭奈鞲瘳?、五西格瑪或六西格瑪問題時，我們繪制了一條人工智能收斂曲線，”古普塔說。“然后用戶可以看到人工智能在做什么。它對模型進(jìn)行一些訓(xùn)練，然后開始尋找六西格瑪點(diǎn)。它預(yù)測最壞的情況，并針對該點(diǎn)運(yùn)行模擬以驗(yàn)證它。然后它會得到第二差點(diǎn)，第三差點(diǎn)。在某些情況下，它可能是錯誤的，但隨后它會在幕后重新運(yùn)行一些訓(xùn)練以構(gòu)建更準(zhǔn)確的模型。這是一種不斷改進(jìn)的自適應(yīng)模型訓(xùn)練方法，直到它有足夠的信心找到所有這些異常值。盡管如此，在某些情況下，它可能會發(fā)現(xiàn)一兩個異常值，但它比手動執(zhí)行此作的方式要好得多，即進(jìn)行數(shù)百次模擬和推斷。它越來越接近了，幾乎和蠻力方法一樣好。

一個行業(yè)關(guān)注點(diǎn)是幻覺?！爱?dāng)我聽到人們談?wù)撊斯ぶ悄墚a(chǎn)生幻覺時，我只是將其視為一個垃圾進(jìn)出的問題，”西溫斯基說?！斑@只是數(shù)學(xué)。當(dāng)我們在行業(yè)中這樣做時，當(dāng)我們利用這項技術(shù)時，我們肯定必須確保為其提供正確的數(shù)據(jù)集進(jìn)行訓(xùn)練。否則，我們最終可能會得到錯誤的答案。它需要制衡。你不應(yīng)該隨便給它任何東西。在企業(yè)對消費(fèi)者的世界中，您可以告訴人工智能根據(jù)任何東西創(chuàng)建瘋狂的圖像。這是一個極其不受約束的問題。使用人工智能時，我們不太容易在樹林里產(chǎn)生幻覺。

期望任何工具都能在一個塊中解決整個問題是錯誤的。“硬件需要完整的系統(tǒng)一致性，”Normal Computing 的產(chǎn)品工程主管 Arvind Srinivasan 說?！澳悴荒苤皇枪铝⒌貏?chuàng)作一篇文章，并希望它總體上是有意義的。這與語言非常不同，在語言中，您可以寫一個獨(dú)立工作的段落。最重要的是，沒有足夠的數(shù)據(jù)。我們沒有數(shù)萬億個例子。知識產(chǎn)權(quán)被鎖定在孤島中，甚至在公司內(nèi)部也是如此。你不能只做監(jiān)督學(xué)習(xí)。您需要包含有關(guān)系統(tǒng)約束的先前數(shù)據(jù)的算法，同時仍從該數(shù)據(jù)中學(xué)習(xí)。標(biāo)簽很昂貴。你不能付給芯片工程師六位數(shù)的費(fèi)用來注釋訓(xùn)練集。如果沒有基本事實(shí)，驗(yàn)證人工智能結(jié)果需要深厚的行業(yè)專業(yè)知識，這使得評估比在消費(fèi)領(lǐng)域更難。

你并不總是想限制問題。“人工智能技術(shù)使我們能夠解決更加模糊的問題，”弗勞恩霍夫 IIS 自適應(yīng)系統(tǒng)工程部高級混合信號自動化組經(jīng)理 Benjamin Prautsch 說?！暗c此同時，結(jié)果會更加模糊。因此，必須仔細(xì)檢查/測試它們。用戶的積極體驗(yàn)和看到的證據(jù)確實(shí)是關(guān)鍵。例如，驗(yàn)證工具被視為”黃金工具“，這就是市場的看法。只有擁有良好的業(yè)績記錄才能說服人們，這一點(diǎn)仍有待證明。

但您可能希望人工智能跳出顯而易見的框框?！叭斯ぶ悄茉跈z查或取消檢查偏見方面非常出色，你可以給它更多的自由度，”Siwinski 說。“它仍然需要遵守一些規(guī)則，你仍然需要打出一些性能，所以你不能隨便做任何事情。但是，只要你這樣做，你能讓人工智能給你一個與專家創(chuàng)造的答案不同的答案嗎？在某些限制下，你想要這種創(chuàng)造力。你想探索更廣泛的設(shè)計空間，有時它會找到一個不同的、更好的答案，因?yàn)楣こ處熣诟鶕?jù)過去最有效的方法做出一些假設(shè)。它們是有效的假設(shè)，但這并不意味著這是實(shí)現(xiàn)這一目標(biāo)的唯一途徑。

價值可以通過多種方式創(chuàng)造。“人們不使用人工智能工具，因?yàn)樗鼈兛偸钦_的，”Normal 的 Yip 說。“他們使用它們是因?yàn)榕c傳統(tǒng)方法相比，它們節(jié)省了大量時間。真正的挑戰(zhàn)是確保工程師不會浪費(fèi)時間審查不良輸出，并為他們提供正確的工具來檢查和修復(fù)它們?？蚣軕?yīng)該是，“它為工程師節(jié)省的時間是否多于審查成本？如果是，它就會贏得信任。

甚至一些現(xiàn)有的 EDA 工具也尚未獲得這種信任?！俺朔浅；镜墓δ苤?，硅工程師對現(xiàn)有的 EDA 設(shè)計工具沒有內(nèi)在的信任，”Normal 的硅主管 Marc Bright 說?！拔覀兓撕芏鄷r間運(yùn)行其他工具并編寫自己的工具來檢查他們的輸出質(zhì)量。當(dāng)人工智能工具減少生成這些輸出的工作量和時間時，我們就可以花更多時間評估和完善可能更好的解決方案。

部分問題是人工智能沒有很多例子可以借鑒。“低傾向語言是缺乏足夠數(shù)據(jù)和資源來進(jìn)行有效自然語言處理的語言，”Knoth 說?！叭绻阕屓斯ぶ悄苡糜⒄Z編寫文檔，它已經(jīng)接受了大量英語的訓(xùn)練。因此，如果您要求它生成技術(shù)規(guī)范，人工智能已經(jīng)擁有大量數(shù)據(jù)可供借鑒。如果您要求大型語言模型生成 C 代碼，那也是值得信賴的。它訓(xùn)練的數(shù)據(jù)較少，但仍有很多公開可用的 C 代碼以及驗(yàn)證生成代碼的方法。讓我們繼續(xù)往下走。在 Verilog 上訓(xùn)練的公開可用數(shù)據(jù)量只是 C 代碼的一小部分。再往下走——技能、TCL、UPF。我們的行業(yè)充斥著這些語言，用于訓(xùn)練模型的高質(zhì)量、公開數(shù)據(jù)的數(shù)量具有挑戰(zhàn)性。在每家部署此功能的公司內(nèi)部，他們都有一個相當(dāng)大的寶庫，但弄清楚如何以計算高效的方式將專有 IP 應(yīng)用到大型語言模型中，這并非易事。