算法是 對芯片系統進行的整體戰略規劃，決定了芯片各個模塊功能定義及實現方式，指引著整個芯片設計的目標和方向。 可謂，牽一發而動全身。

不管是模擬IC還是數字IC設計，算法仿真都是第****一步。通常，會由算法工程師組成獨立的算法團隊。

CPU/GPU本應該是算法仿真的?？停驗闅v史比較悠久，發展成熟，市場幾乎被英偉達和AMD壟斷，很多IC設計公司選擇直接采購IP的方式跳過這一步。

近幾年，無線通信芯片成為了算法業務的最大甲方。因為這類芯片的 信號編解碼與頻譜遷移時方式十分復雜， 再加上種類繁多，各國的通信協議、標準、頻率也在不斷變化。隨著我國5G通信標準的放開，算法仿真的地位與日俱進。

另一個涉及大量算法業務的場景是 AI芯片 ，應用場景小到手機、智能家電，大至汽車。

跟前兩篇數字和模擬IC的設計場景相比，算法仿真有著非常不一樣的表現。

所以我們單獨把ta拉出來，結合 一家無線通信芯片公司實際業務場景 ，看看 算法仿真有哪四大特性 ，以及從動態視角出發，看我們怎么幫 算法工程師解決問題，提高研發效率 。

算法仿真的本質

算法（Algorithm）， 是指在數學和計算機科學間，一種被定義好的、計算機可施行指示的步驟和次序。 算法代表著用系統的方法描述解決問題的策略機制，解決一個問題可以有很多種算法。

舉個栗子。

求解下圖黃色****區域圖形面積，我們有三種算法。

方法一： 你可以 直接用三角形的面積公式解。 這種方法快速、直觀，小學文化程度即可，但局限性也高、不通用，不適用于圖像復雜的情況；

方法二：也可以用符號計算求不定積分。 求解析解方法，適用于各類不定積分中有解析表達式的函數圖像。計算門檻較高，大多手算，很少有計算工具。而且實際工程應用場景中，很多函數沒有解析解；

方法三：用數值計算方式解積分，求數值解。 數值計算法適用范圍最廣，可以求任意函數曲線的定積分，將函數一段段分解，再算出面積。不同的分解方法就代表不同的算法。這種方法 只能求數值解，無法求解析解，且計算量巨大 ， 適合機器計算 ， 不適合人工計算 ，在工程領域應用甚廣。

在芯片設計領域，算法仿真的本質是 評估不同數值計算解法的工作量、計算效率適用范圍，選出最優算法 ，使ta不僅要滿足算得最快、最準，還要能 確保功能、精度、效率、吞吐量等指標 。

算法仿真是一個不斷迭代、優化的過程，一般都要反復調整參數，進行N次回歸測試。

一家算法團隊的小目標

一家**無線通信芯片公司算法團隊，**開局情況如下：

算法部門共有15人，全公司有480核共享本地資源，各部門按需提前申請使用。

根據公司的業務發展目標，大致估算出 未來新算法項目任務總數為1283980 。

假設一： 全公司本地資源均歸他們用，每個人的資源上限是32核；

假設二： 單case運行時間為10小時；

假設三： 回歸測試次數為1次；

假設四： 1個case只有1個job，且只用1個核。

總運行時間達到3.05年。

啊這。。

可能打開方式不對，再來：

增加假設五： 人均資源上限逐漸提升到120核；

假設六： 算法團隊人數逐步擴張至46人；

總運行時間約96.92天。

嗯，這回挺好。

想得是挺美，小目標怎么實現？

現實一： 公司共享本地資源不可能只歸算法部門專用；

現實二： 單case運行時間，難以估計；且1個case往往不止1個job，且1個job未必只用1個核；

現實三： 回歸測試只有1次，幾乎不太可能，總任務數可能數倍增長；

現實四： 本地機房從480核要擴張十幾倍，可不止是買買買硬件，機房建設、運維人力、硬件維保、存儲網絡、環境部署等等，都不是小事；

現實五： 算法工程師要求非常高，招聘難度極大。

真是，沒一個字讓人愛聽的。

如果是日常模擬/數字芯片設計，想做算力規劃，咱們還是有思路的，可以看看這篇： [ 解密一顆芯片設計的全生命周期算力需求 ]

但算法仿真這里，此路不通。

我們來看看算法仿真的特性：

算法仿真的四大特性

下圖是這家無線通信芯片公司算法團隊9個月實際****日平均資源用量波動總覽圖：

01

需求不可測

從個人角度出發，算法團隊每個人的算法任務都是互相獨立，互不影響的。算法確定之后，每一輪的計算量基本確定（case分解成的job數，job占用的核數基本確定），每個算法任務的單次耗時與回歸測試次數都是不一樣的，這導致最后的資源需求完全不可測。

如果再 疊加團隊使用因素，資源的不可測性也會被成倍地放大 。如果原先個人的資源使用區間是0到250核小時；如果團隊內有20人，那不可測區間就放大至0至5000核小時。

02

短時間使用量波動巨大

除了算法任務需求的不可測性，資源使用量的波動還受實際算法任務的進度影響。

每個算法工程師的工作獨立且進度不一 ，有時可能大量任務同時批量運行，也可能部分在調試，部分在運行，甚至可能一個在運行的任務都沒有。

不同工程師的工作進度差異與所用算法不一，不僅 導致了波峰、波谷間的資源使用量差距極大 ，而且這樣的波動可能發生在極短時間 內 。

極限情況： 所有工程師都在頂格跑任務，5520核的資源量瞬間拉滿（100%）；而下一刻只有10%的工程師在跑任務，且每人都只使用自己配額80%的資源量，那總資源僅使用了一部分。

不同公司的算法團隊之間，因為團隊規模與業務差異，資源用量差異也非常大。

03

資源需求類型多樣

算法仿真整體來說，對資源的各方面需求并不算高。

但不同算法的需求都不一樣：

有的需要單核4G內存的機型，有的要單核8G內存的機型；

有的算法對存儲要求高，有的算法對存儲沒要求：

有的涉及圖形計算，甚至還需要用到GPU機型。

04

長期可持續狀態

上述三大特性，都不是突發現象，屬于算法團隊的日常工作狀態。

這一狀態的長期可持續性，我們需要對此做好足夠的準備。

一種動態思路：增加時間維度****

算法仿真的四大特性決定了：按這家公司原來的 靜態處理方式 ，也就是 把任務量當成恒定的，通過加人加機器的方式來滿足研發需求 ，變得很不現實。哪怕頂格準備資源，資源利用率也會長期處于較低狀態。

那按 動態處理方式 ，也就是 隨著時間變化，靈活根據需求匹配不同規模/類型資源的方式來動態滿足研發需求 ，從個人及團隊視角出發，看我們怎么幫 算法工程師解決問題，提高研發效率 。

01

算法工程師視角

1）資源無需申請，即開即用

再也不用跟同事搶資源或者漫長的排隊等待了，也不用走繁瑣的資源申請流程。

2）資源選擇空間變大

選擇空間變大，資源類型變多，可用資源上限變高，可以靈活選擇更加適配算法任務的資源類型。

3）提交任務立馬就能跑，告別等待

提交任務立馬就能跑，一整套研發環境現成的，即開即用。

靈活切換，今天跑一百，明天跑一萬，無需等待環境配置。

4）以前怎么用，現在就怎么用

跟本地相比無感知，用戶使用習慣沒有任何改變，不需要調整任何腳本。

** 5） 任務跑得快，效率線性增長

**

多case高并發執行。同一批算法任務之間互相獨立，可以做到效率線性提升。

02

團隊管理視角

1）動態方式****解決資源不可測問題

算法任務的不可預測且波動巨大，導致了資源預測與規劃基本不可能。

按傳統靜態處理方式來解決問題：

按頂格規劃，這筆賬都不用算，會造成黃色區域的巨大浪費；

按中間取值準備，當某個時間點算法仿真短時間內任務量激增，就會出現人機不匹配，不是有人力沒機器，就是有機器沒人力。這種錯配導致資源利用率極低，影響研發進度。

圖中3-5月，峰值算力就從200核攀升27倍達到5520核，隨即又迅速從5520核下跌到500核左右，這波動幅度簡直比過山車還劇烈，而且毫無規律。

我們的 動態處理方式 ，會隨著時間變化，靈活根據當前時間點任務需求匹配不同規模/類型資源的方式，動態滿足研發需求。

不管500核還是5000核，我們都能實時根據需要，滿足整個團隊的大幅波動資源需求，保障日常算力和峰值算力任務調度效率。

**2）Auto-Scale自動伸縮，隨用隨關不浪費 **

Fsched調度器的Auto-Scale功能，能解決團隊資源利用率與成本問題。 資源“自由”的同時不浪費 。

一方面隨用戶任務需求，設置自動伸縮上下限，自動化調用資源完成任務；

Auto-Scale功能可以根據任務運算情況動態開啟云端資源，需要多少開多少，并在任務完成后自動關閉，讓資源的使用緊隨著用戶的需求自動擴張及縮小，最大程度匹配任務需求。

這既節約了用戶成本，不需要時刻保持開機，也最大限度保證了任務最大效率運行。中間也不需要用戶干預，手動操作。

另一方面我們還能監控用戶提交的任務數量和資源需求，在團隊內部進行資源及時適配，解決錯配問題。

3）提升團隊整體運營效率

我們的運營數據dashboard能讓團隊管理者監控各個重要指標變化，從全局角度掌握項目的整體任務及資源情況，為未來項目合理規劃、集群生命周期管理、成本優化提供支持。

還能根據不同成員或小組的業務緊迫程度和業務重要性，合理分配與控制用戶使用資源。

4）全球數據中心****解決資源瓶頸

我們的全球數據中心，能持續穩定地提供用戶所需資源類型及數量，分鐘級調度開啟上萬核計算資源，滿足業務緊迫度。

用戶可以選擇自主選擇大內存、高主頻等多樣化的資源類型來滿足不同算法需求。一旦發現所選資源類型與算法任務不匹配，還可隨時中止任務、更換資源類型，任務進度不受影響。