很難想象人工智能不是硅芯片設計流程的一部分。由于智能現已集成到設計、驗證、測試和其他關鍵階段，工程師正在體驗生產力優勢以及人類在典型項目時間表下無法單獨完成的結果。

我們是怎么到這里來的？我們該何去何從？

這些只是 Synopsys AI 架構師小組在今年圣克拉拉舉行的 SNUG 硅谷 2023 會議上思考的幾個問題。該小組名為“人工智能設計業的興起——迄今為止的旅程和未來之路”，匯集了來自不同業務領域的專家，分享了迄今為止各自領域人工智能增強功能的概述，以及對接下來可能發生的事情的想法。Synopsys AI 戰略和系統團隊的高級經理兼 SNUG 硅谷 AI 賽道負責人 Geetha Rangarajan 分享說，該小組的主要目標是討論 AI 如何幫助我們重新思考系統設計多個領域的“難題”，并激勵與會者創造性地思考利用 AI 驅動解決方案的可能性。請繼續閱讀，了解討論的亮點。

簡化復雜的芯片設計工作流程

隨著時間的推移，人工智能簡化了復雜的芯片設計工作流程，優化了越來越大和復雜的搜索空間。事實上，Synopsys 等解決方案 DSO.ai? 使用強化學習來大規模擴展設計工作流程選項的探索，從而縮短設計時間，同時增強功耗、性能和面積 （PPA）。

來自Synopsys AI戰略和系統團隊的杰出架構師Joe Walston提出了一個問題：AI可以幫助工程師解決整個系統堆棧中的復雜問題嗎？從計算設備到設備再到飛機，現代系統涵蓋了廣泛的應用。系統堆棧包括可能從 AI 中受益的軟件和硬件（物理）組件。有工作負載驅動的軟件，旨在處理與用戶、外部環境和系統內其他組件的通信、數據處理和接口。然后是軟件驅動的架構：硬件子系統旨在提供軟件所需的內容（無論是機械、光學、半導體、電源還是傳感器）。

系統堆棧的每一層都有許多相應的問題需要回答。例如，在半導體子系統中，最先進的SoC包括多個處理器、復雜接口IP、數字/模擬邏輯、存儲器等。設計人員面臨著多種工作流程優化挑戰，從微架構選擇到平面圖優化，再到物理設計、測試和制造方面的選擇。同樣，對于光學子系統，設計人員必須圍繞嵌入式電路、透鏡、探測器和光源做出決策。沃爾斯頓說，人工智能可以幫助重復的勘探工作，使工程師能夠更快地實現目標。

實現更快的驗證周轉時間

該公司EDA集團的Synopsys科學家Badri Gopalan提供了功能驗證方面的觀點。作為背景，他指出，驗證復雜性的增長速度快于摩爾定律。在當今的SoC中，有很多東西需要驗證：所有的邏輯，跨多個維度（如性能和功耗）的所有組合。驗證工程師如何發現更多錯誤，而這些錯誤恰好也更復雜？而且做得比以往任何時候都快？同時保持所需的結果質量和結果成本？

正如Gopalan解釋的那樣，在RTL應用傳統的驗證解決方案通常會使工程師接近100%的覆蓋率。靜態驗證可能會發現大約 10% 的錯誤，盡管結果可能非常嘈雜，并且過程非常手動和費力。形式驗證可以檢測到另外 20% 的錯誤，模擬可能會發現另外 65% 的錯誤。仿真還涉及大量的手動工作，需要花費大量時間來調整測試平臺的約束和編寫手動測試。

在 2023 年 SNUG 硅谷大會上宣布的全新 Synopsys VSO.ai AI 驅動的驗證解決方案，通過識別和消除回歸中的冗余、自動化覆蓋根本原因分析以及從 RTL 和刺激中推斷覆蓋范圍，以確定覆蓋范圍差距并提供覆蓋范圍指導，幫助驗證團隊更快、更高質量地實現收尾。

最大限度地減少測試模式數量，同時增加覆蓋范圍

半導體測試是另一個受益于人工智能的領域。在硅制造過程中，測試工程師必須驗證設計是否無缺陷，并且將按預期工作。內存內置自檢 （BIST）、壓縮 IP 和邏輯測試結構是可用于測試邏輯的解決方案。傳感器也發揮著重要作用。通常，收集的數據會被分析并循環回整個設計周期以進行改進。

每一步，都需要對要優化的參數做出決策。目標是使用盡可能少的測試模式進行測試以管理成本，Synopsys硬件分析和測試工程副總裁Fadi Maamari解釋說。在 2023 年硅谷 SNUG 大會上，新思科技宣布了一款使用 AI 優化測試模式生成的新產品：新思科技 TSO.ai。TSO.ai 旨在 減少 所需 的 測試 模式 數量， 同時 增加 覆蓋 率 并 縮短 自動 測試 模式 生成 （ATPG） 周轉 時間， 可 智能 地 自動 執行 ATPG 參數 調優， 推動 一致 的、 針對 特定 設計 的 結果 質量 優化， 并 顯著 降低 測試 成本。

通過 AI 解鎖新機遇

人工智能目前只是觸及了電子設計領域可能產生的影響的表面。SNUG 硅谷 2023 的小組成員一致認為，隨著自然語言模型的興起，例如 ChatGPT 等人工智能聊天機器人中的自然語言模型，以及人工智能提供的其他機會，現在是進入該行業的激動人心的時刻。在推進自主設計、驗證和測試方面還有更多工作要做，還有更多領域需要增強。強大的電子設計自動化 （EDA） 技術與緊密集成的機器學習驅動循環相結合，可以成為一股強大的力量，使工程師能夠完成比以往更多的工作。

“隨著轉向FinFET節點，新的問題正在出現，”Synopsys Circuit Design&TCAD Solutions杰出架構師Vuk Borich說。“雖然芯片更密集、更小，而且數量更多，但有一些規律性、一些模式和一些適合人工智能的東西。因此，我們預見到會有大量的創新。

僅看模擬設計，就可以確定可以從智能注入中受益的領域。正如鮑里奇所強調的：

必須執行數十億次蒙特卡羅模擬來評估過程可變性。有沒有辦法使用人工智能減少這些模擬的時間和成本？

提取寄生效應數小時或數天。面對數百個設計參數和更長的迭代，人工智能能否縮短模擬設計收斂時間？

布局代表了大量的手動工作：人工智能能否簡化這一過程，尤其是在從事這項工作的人才供應有限的情況下？

除了電子系統之外，人工智能可以用更少的設計師干預加速融合的另一個領域是光學設計。光學設計是成像、汽車照明和光子 IC 等應用的關鍵使能技術。這些應用非常復雜，需要考慮大量變量和公差，這些變量和公差過去是用特殊工具處理的。人工智能有可能開啟共同優化專業算法的新機會，光學解決方案團隊的Synopsys科學家William Cassarly解釋說。人工智能允許探索大部分設計空間，為現有算法提供新的起點，并減少處理離散案例所涉及的工作量。此外，人工智能提供了在完全不同的用例之間實現知識轉移的潛力，允許經驗不足的設計師產生可能只有具有豐富經驗的設計師才能考慮的結果。

隨著我們接近系統級別，硬件和軟件團隊之間的孤立知識使得啟動成為一項復雜且昂貴的工作。系統級可見性和自動化根本原因分析是加快上市時間的關鍵。Synopsys Systems Design Group的高級研發工程師Rachana Srivastava指出，人工智能可以實現自動化的系統級根本原因分析。在基于事件的知識圖譜中映射數據可以提供整個系統的可見性。在此數據上應用機器學習模型可以生成預測和信息挖掘的反饋循環，以生成更好的硅結果。

激動人心的時刻確實即將到來，因為工程師們正在設計新的方法，將人工智能和機器學習應用于整個系統堆棧的工作流程。滿足下一代應用的PPA和上市時間目標的設計只會變得更加復雜。人工智能可以提供工程團隊所需的生產力提升，同時幫助他們實現以前無法想象的成果。

審核編輯：郭婷