通常，開發(fā)任何類型的硬件（包括芯片，作為電子設(shè)備大腦的微小電子元件），都是從用正常語言描述硬件應(yīng)該做什么開始的。然后，經(jīng)過專門訓(xùn)練的工程師將該描述翻譯成硬件描述語言（HDL），例如 Verilog，以創(chuàng)建允許硬件執(zhí)行其任務(wù)的實(shí)際電路元件。

自動(dòng)化此翻譯可以減少工程過程中的人為錯(cuò)誤來源。但是，直到最近，AI 才展示了基于機(jī)器的端到端設(shè)計(jì)翻譯的能力。一些大型語言模型（LLM），如 OpenAI 的 ChatGPT 和谷歌的 Bard，聲稱能夠生成各種編程語言的代碼；但它們?cè)谟布O(shè)計(jì)中的應(yīng)用尚未得到廣泛研究。

近日，來自紐約大學(xué)和新南威爾士大學(xué)的研究團(tuán)隊(duì)使用簡單的英語「對(duì)話」與 AI 模型制造了一個(gè)微處理芯片，這是一項(xiàng)史無前例的成就，可以加快芯片開發(fā)速度，并允許沒有專業(yè)技術(shù)技能的個(gè)人設(shè)計(jì)芯片。

研究團(tuán)隊(duì)展示了兩名硬件工程師如何用標(biāo)準(zhǔn)英語與 ChatGPT-4「交談」，以設(shè)計(jì)一種新型微處理器架構(gòu)。然后，研究人員將設(shè)計(jì)送去制造。

在該研究中，LLM 能夠通過來回對(duì)話生成可行的 Verilog。隨后將基準(zhǔn)測試和處理器發(fā)送到 Skywater 130 納米穿梭機(jī)上進(jìn)行流片（tapeout）。

研究共同作者 Hammond Pearce 說：「我們認(rèn)為這項(xiàng)研究產(chǎn)生了第一個(gè)完全由 AI 生成的 HDL，用于制造物理芯片。這項(xiàng)研究表明，AI 也可以使硬件制造受益，特別是當(dāng)它被用于對(duì)話時(shí)，你可以來回地完善設(shè)計(jì)。」

研究背景

隨著數(shù)字設(shè)計(jì)的能力和復(fù)雜性不斷增長，集成電路 (IC) 計(jì)算機(jī)輔助設(shè)計(jì) (CAD) 中的軟件組件已在整個(gè)電子設(shè)計(jì)自動(dòng)化流程中采用機(jī)器學(xué)習(xí) (ML)。傳統(tǒng)方法試圖對(duì)每個(gè)過程進(jìn)行正式建模，而基于 ML 的方法則側(cè)重于識(shí)別和利用可概括的高級(jí)特征或模式——這意味著 ML 可以增強(qiáng)甚至取代某些工具。盡管如此，IC CAD 中的 ML 研究仍傾向于關(guān)注后端過程。

在此，研究團(tuán)隊(duì)探索了將新興類型的 ML 模型應(yīng)用于硬件設(shè)計(jì)過程的早期階段時(shí)面臨的挑戰(zhàn)和機(jī)遇：硬件描述語言 (HDL) 本身的編寫。

雖然硬件設(shè)計(jì)以 HDL 表示，但它們實(shí)際上以自然語言（例如英語需求文檔）提供的規(guī)范開始設(shè)計(jì) lifecycle。將這些轉(zhuǎn)換為適當(dāng)?shù)?HDL（例如 Verilog）的過程必須由硬件工程師完成，這既耗時(shí)又容易出錯(cuò)。使用高級(jí)合成工具等替代途徑可以讓開發(fā)人員使用 C 語言等高級(jí)語言指定功能，但這些方法是以犧牲硬件效率為代價(jià)的。這激發(fā)了對(duì) AI 或基于 ML 的工具的探索，將其作為將規(guī)范轉(zhuǎn)換為 HDL 的替代途徑。

最新的 LLM (如 OpenAI 的 ChatGPT 和 Google 的 Bard)為其功能提供了不同的「會(huì)話」聊天界面。

會(huì)話式 LLM 用于迭代設(shè)計(jì)硬件

受 LLM 發(fā)展的啟發(fā)，研究人員提出以下問題：將這些工具集成到 HDL 開發(fā)過程中有哪些潛在優(yōu)勢和障礙？

為了理解這項(xiàng)新興技術(shù)的重要性，進(jìn)行像這樣的觀察性研究至關(guān)重要。對(duì)會(huì)話式 LLM 對(duì)硬件設(shè)計(jì)的影響的調(diào)查既相關(guān)又及時(shí)。

圖 1：會(huì)話式 LLM 能否用于迭代設(shè)計(jì)硬件？（來源：論文）

該研究的貢獻(xiàn)如下：

首次對(duì)對(duì)話式 LLM 在硬件設(shè)計(jì)中的使用進(jìn)行了研究。

開發(fā)基準(zhǔn)以評(píng)估 LLM 在功能硬件開發(fā)和驗(yàn)證方面的能力。

利用 ChatGPT-4，對(duì)硬件中復(fù)雜應(yīng)用程序的端到端協(xié)同設(shè)計(jì)進(jìn)行觀察性研究。

首次使用 AI 為流片編寫完整的 HDL，實(shí)現(xiàn)了一個(gè)重要的里程碑。

為在硬件相關(guān)任務(wù)中有效利用尖端會(huì)話 LLM 提供實(shí)用建議。

研究人員進(jìn)行了兩個(gè)對(duì)話實(shí)驗(yàn)。第一個(gè)實(shí)驗(yàn)涉及預(yù)定義的對(duì)話流程和一系列基準(zhǔn)挑戰(zhàn)，而第二個(gè)實(shí)驗(yàn)需要一個(gè)開放式的「自由聊天」方法，LLM 在一個(gè)更大的項(xiàng)目中擔(dān)任聯(lián)合設(shè)計(jì)師。

從本質(zhì)上講，有無數(shù)種方法可以與對(duì)話模型「聊天」。為了探索使用會(huì)話式 LLM 實(shí)現(xiàn)「標(biāo)準(zhǔn)化」和「自動(dòng)化」流程的潛力，研究人員定義了一個(gè)嚴(yán)格的「腳本化」對(duì)話基于一系列基準(zhǔn)。

然后，研究人員使用一致的指標(biāo)評(píng)估一系列 LLM，根據(jù)通過附帶測試平臺(tái)所需的指令水平確定對(duì)話的相對(duì)成功或失敗。然而，雖然對(duì)話流在結(jié)構(gòu)上保持相同，但它在測試運(yùn)行之間固有地存在一些差異，這取決于評(píng)估者需要決定 (a) 每個(gè)步驟中需要什么反饋，以及 (b) 如何格式化人類反饋。

下圖詳細(xì)說明了與 LLM 對(duì)話以創(chuàng)建硬件基準(zhǔn)的一般流程。

圖 2：簡化的 LLM 對(duì)話流程圖。（來源：論文）

真實(shí)世界的硬件設(shè)計(jì)具有更廣泛和更復(fù)雜的要求。考慮到以前使用的方法時(shí)，這是一個(gè)挑戰(zhàn)，該方法編寫并限制了人類與 LLM 交互的方式。然而，鑒于不同層次的人類反饋相對(duì)成功，研究人員試圖研究非結(jié)構(gòu)化對(duì)話是否可以帶來更高水平的表現(xiàn)和相互創(chuàng)造力。對(duì)此進(jìn)行調(diào)查通常會(huì)通過大規(guī)模的用戶研究來完成，硬件工程師在開發(fā)過程中會(huì)與該工具配對(duì)。研究目標(biāo)是通過執(zhí)行概念驗(yàn)證實(shí)驗(yàn)來推動(dòng)硬件領(lǐng)域的此類研究，將 ChatGPT-4 與經(jīng)驗(yàn)豐富的硬件設(shè)計(jì)工程師（論文作者之一）配對(duì)， 并在執(zhí)行更復(fù)雜的設(shè)計(jì)任務(wù)時(shí)定性地檢查結(jié)果。

挑戰(zhàn)與機(jī)會(huì)

挑戰(zhàn)：雖然很明顯，使用對(duì)話式 LLM 來協(xié)助設(shè)計(jì)和實(shí)現(xiàn)硬件設(shè)備總體上是有益的，但該技術(shù)尚不能僅通過驗(yàn)證工具的反饋來一致地設(shè)計(jì)硬件。當(dāng)前最先進(jìn)的模型在理解和修復(fù)這些工具出現(xiàn)的錯(cuò)誤方面表現(xiàn)不夠好，無法僅通過初始人機(jī)交互來創(chuàng)建完整的設(shè)計(jì)和測試平臺(tái)。

機(jī)會(huì)：盡管如此，當(dāng)人類反饋被提供給功能更強(qiáng)大的 ChatGPT-4 模型，或者用于協(xié)同設(shè)計(jì)時(shí)，語言模型似乎是一個(gè)「力量倍增器」，允許快速設(shè)計(jì)空間探索和迭代?？偟膩碚f，ChatGPT-4 可以生成功能正確的代碼，這可以在實(shí)現(xiàn)通用模塊時(shí)節(jié)省設(shè)計(jì)人員的時(shí)間。

未來可能的工作可能涉及更大規(guī)模的用戶研究以調(diào)查這種潛力，以及開發(fā)特定于硬件設(shè)計(jì)的會(huì)話式 LLM 以改進(jìn)結(jié)果。

審核編輯：劉清