本文由新思科技編譯自 [Moor Insights and Strategy]

原文?[Using AI To Build Better Chips]

作者?[Karl Freund]

隨著眾多初創企業和大型半導體公司競相向市場推出全新人工智能芯片，Synopsys(新思科技)、Cadence和Mentor Graphics等芯片設計自動化設計解決方案提供商正在研究幫助開發者縮短芯片上市時間的新方法。有意思的是，這其中所采取的方法之一是運用人工智能技術來幫助構建更好的人工智能芯片。芯片設計過程分為前端和后端，后端又稱為物理設計，對于支持人工智能新技術已經特別成熟，早期采用者也受益于其出色的性能表現。?▲?圖1：由170億個晶體管構成的NVIDIA Drive AGX Orin芯片英偉達(NVIDIA)

01

?芯片構建的諸多挑戰

芯片構建中存在諸多挑戰，最終確定芯片邏輯可能需要數月甚至數年的時間，一旦確定后，物理設計過程就開始了。開發者必須確定每一塊晶體管的放置位置，以及如何將其互連。這個過程叫做布局和布線。現代芯片上有數十億個晶體管，這種設計布局和測試通常需要數位開發者大約利用20到30周的時間才能完成。如果他們在其中出了差錯，便會導致芯片設計無法按照規定時間完成，功耗過高、成本過大，或者根本無法使用。但是布局芯片的恰當方法不止一種，還存在無數可能的選擇，包括平衡芯片的三個主要設計目標：性能、功耗和面積(PPA)。實際上，開發者面臨著大規模的“搜索”問題：僅僅是平面布置圖探索就可以包含驚人的10^90,000種可能性， 而國際象棋也只有10¹²³種狀態，圍棋游戲只有大約10³⁶⁰種狀態。為什么要拿游戲作類比，因為物理設計和游戲一樣，現在都可以用人工智能軟件來“玩”。雖然人工智能需要巨大的計算資源，但它可以從海量備選方案中進行篩選以優化參數，從而實現實現PPA的最佳組合。

02

?使用強化學習贏得游戲

人工智能中有一個強化學習的無監督學習分支，可以通過試錯來解決這類游戲問題：讓電腦“試一試”某個解，用得出的結果加強該解的參數。將這樣的過程重復數萬億次，直到實現解收斂，即“獲勝”。作為芯片設計自動化設計解決方案提供商，新思科技一直在與客戶試驗這種方法，并取得了令人驚喜的結果。▲ 圖2：開發者已經使用強化學習來加速網絡化、移動化、汽車領域和人工智能芯片的物理設計項目，并取得了驚人的結果。從新思科技和客戶進行的一系列復雜芯片設計的其中四個項目的平均值來看，該方法可以提前86%的時間完成設計，且配置人員僅包括一名數據科學家而不是4-5名工程師，所有項目均實現或超越了PPA目標。有趣的是，使用人工智能技術產生的一些設計有點反直覺，比如以非常規形狀分布晶體塊，但是結果很有說服力，實現了更快上市時間及更高性能。

結論

在物理設計中使用強化學習只是冰山一角，人工智能和機器學習可以用于設計集成電路中常見的許多工作流程。英偉達首席執行官黃延森在2016年首次發布Saturn V時曾表示，英偉達內部GPU驅動的超級計算機，當時在全球超級計算機排名前30位。隨后預測Saturn V將成為其公司一個強大的技術優勢，可以幫助英偉達開發者提高生產效率，實現卓越的產品。新思科技使用強化學習獲得的早期項目結果，也驗證了黃先生當時的觀點。

//

總結

以上是生活随笔為你收集整理的人工智能芯片设计pdf_在芯片设计中引入人工智能的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。