芯片设计中的人工智能：半导体公司正在使用人工智能更快、更便宜、更高效地设计更好的芯片
人工智能 (AI) 正迅速成为人类芯片工程师在极其复杂的半导体设计任务中的有力助手。德勤预测，到 2023 年，全球领先的半导体公司将在用于设计芯片的内部和第三方 AI 工具上花费 3 亿美元，并且该数字在未来四年内将以每年 20% 的速度增长，到 2026 年将超过 5 亿美元，而对于 2023 年全球预计市场超过 6600 亿美元的半导体市场而言只是极低的占比， 但这对于超额投资回报意义重大。
AI 设计工具使芯片制造商能够突破摩尔定律的界限，节省时间和金钱，缓解人才短缺，甚至将旧的芯片设计带入现代化。同时，这些工具可以提高供应链安全性并有助于缓解下一次芯片短缺。换句话说，虽然设计芯片所需的人工智能软件工具的单机许可可能仅需数万美元，但由此类工具设计的芯片可能价值数十亿美元。
1.机器学习的最新进展使芯片公司能够解决有史以来最大的设计问题之一：如何在一平方英寸上布置 1000 亿个晶体管？
2.芯片设计中的人工智能：AI如何影响EDA行业的发展？半导体公司如何使用人工智能更快、更便宜、更高效地设计更好的芯片？
时间就是金钱：高级人工智能以指数方式加速芯片设计
几十年来，电子设计自动化 (EDA) 供应商一直在为芯片设计制作工具——到 2022 年，这个行业的产值将超过 100 亿美元，并以每年约 8% 的速度增长。EDA 工具通常使用基于规则的系统和物理模拟来帮助人类工程师设计和验证芯片。有些甚至结合了基本的人工智能。然而，在过去一年中，最大的 EDA 公司开始销售先进的人工智能工具， 而芯片制造商和科技公司已经开发了自己的本土人工智能设计工具。这些先进的工具不仅仅是实验。它们在现实世界中被用于许多每年可能价值数十亿美元的芯片设计中。虽然他们不会取代人类设计师，但他们在速度和成本效益方面的互补优势让芯片制造商拥有更强大的设计能力。
芯片设计和制造非常复杂——先进的人工智能可以在三个主要方面提供帮助：
制造更新更好的芯片： 低于 10 纳米工艺节点的芯片存在于智能手机、计算机和数据中心中。它们是芯片市场中增长最快的部分，也是迄今为止利润最高的部分。然而，每项新设计的成本超过 5 亿美元，它们的制造成本也是最高的。 高级人工智能工具可以比旧方法更快地设计这些芯片，从而降低成本。
改进旧芯片： 2022 年售出的所有芯片中有三分之二采用 65 纳米或更大工艺节点，这是一项已有数十年历史的技术。采用那些旧的芯片设计并将它们转移到更先进的节点可以使它们体积更小、能效更高，而且它不依赖于过时的制造设备。先进的人工智能工具使芯片制造商能够更快、更便宜地实现这些缩小。
填补芯片人才缺口： 2022 年全球约有 200 万人为芯片行业工作，但随着美国、欧盟和中国不断推动芯片自给自足，作为弥合人才缺口的一种方式，高级人工智能工具将变得越来越重要。
芯片经历三个主要设计阶段：系统级设计、寄存器传输级设计 (RTL) 和最后的物理电路设计。正是在最后一个阶段，高级人工智能工具才能真正大放异彩。
芯片设计优化了三个变量——功率、性能和面积 (PPA)——以生产出最小化用电量、最大化处理速度并且尽可能小的芯片。使用传统工具优化 PPA 速度缓慢且劳动强度大：设计迭代可能需要数周时间，而且迭代通常只能略微改善 PPA。设计芯片可能需要数年时间；以物理形式实施设计；评估、测试和模拟设计和实现。
芯片有数十亿个晶体管，以模块化块为代表——其中包含内存子系统、计算单元、控制逻辑系统和电源等模块以及标准单元。在高度复杂的芯片中，当模块没有最佳排列时，连接块需要更多的布线和空间。组件之间的意外电荷（称为寄生效应）会影响性能和耗电。
先进的人工智能工具可以通过发现增加功耗、影响性能或低效使用空间的放置错误来测试人类设计；建议改进；然后模拟和测试这些。这些工具从先前的迭代中学习以改进 PPA，直到达到极限。但真正具有革命性的是，先进的人工智能可以自主完成这项工作，生成比使用传统 EDA 工具的人类设计师更好的 PPA——有时一个设计工程师可以在数小时内完成，而工程团队需要数周或数月。
这些高级 AI 功能几乎可以完全分为两类：图形神经网络 (GNN) 和强化学习 (RL)。GNN 是一种专门用于分析图形的机器学习算法——包含“节点”（可以是任何对象）和“边”（定义节点之间的关系）的数据结构。传统的深度学习神经网络难以处理图形，但 GNN 从图形中提取信息，对它们的连接做出有用的预测，并在保留关键关系的同时重新排列节点。由于芯片结构本质上是图状的——宏块和标准单元是节点状的，连接它们的线是边状的——GNN 是分析和优化芯片的理想选择。
RL 将物理芯片设计变成图形优化“游戏”。这与谷歌在战略棋盘游戏围棋中用来击败人类冠军的技术相同，它比国际象棋更复杂，被认为超出了 AI 的能力。物理芯片设计仍然以指数方式复杂化，但 RL 以相同的方式解决它。它训练数以千计的“游戏”——芯片平面图，模拟芯片设计以找到最佳 PPA 安排。AI 生成的平面图通过人类设计师对优化 PPA 的设计的奖励组合得到加强，例如那些减少电线长度、拥塞、密度、功耗和面积的设计，以及对次优设计的惩罚。随着时间的推移，这些强化会改进 RL 系统，教会它自主生成更好的设计。
GNN 和 RL 的组合正在交付 PPA，其性能等于或超过经验丰富的设计师所产生的性能，使用更少的人类工程师和更少的时间。
最近的一些真实世界的结果
• 麻省理工学院的 AI 工具开发的电路设计比人工设计的电路能效高 2.3 倍。
• 联发科技使用 AI 工具将关键处理器组件的尺寸缩小了 5%，并将功耗降低了 6%。
• Cadence 将 5 纳米移动芯片的性能提高了 14%，并将其功耗降低了 3%，使用 AI 加上一名工程师 10 天，而不是 10 名工程师几个月。
• Alphabet 在 6 小时而不是数周和数月内始终如一地生成在 PPA 指标方面超过经验丰富的人类设计师的芯片平面图。
• NVIDIA 使用其 RL 工具设计的电路比人类使用当今 EDA 工具设计的电路小 25%，但性能相似。
如今，主要的芯片制造商和设计人员正在使用最新的 AI 设计芯片，即使是在高级节点上也是如此。事实上，一些芯片变得如此复杂，可能很快就需要高级人工智能。例如，Synopsys 最大的芯片设计包含超过 1.2 万亿个晶体管和 400,000 个 AI 优化内核。
高级人工智能也可以通过基于云的 EDA 服务获得，从而扩大潜在市场。一旦上云，它就可供技术技能和计算能力较低的小公司使用，而不仅仅是专家和市场领导者。
最大的半导体公司甚至可以使用先进的人工智能开发新服务以实现盈利。通过扩展其 GNN 和 RL 能力，这些公司不仅可以生成自己的设计，还可以为其顶级客户提供设计和协同设计服务，包括共同开发垂直专用芯片。
人工智能对芯片行业的用处不仅仅在于设计芯片。例如，它可用于通过晶圆的目视检查将故障检测提高近九倍。它还可以让芯片公司应对供应链挑战，例如管理外包半导体组装和测试供应商网络
几年来，出现了专为人工智能设计的芯片；现在，有人工智能设计的芯片。接下来是什么？AI 可能会开始共同设计为 AI 本身提供动力的硬件和软件——创造一个可能为 21 世纪提供动力的创新飞轮。
新思科技AI：更智能的芯片需要更复杂的方案
设计人员面临着众多挑战，从不断增加的设计复杂性到先进的工艺节点要求，再到跨多个垂直领域（包括 CPU、移动设备、GPU、汽车和 AI）不断缩减的功率预算。例如，人工智能芯片需要构建许多计算单元来处理复杂的算法和大量数据，无论是在边缘设备还是位于数据中心内的服务器中。为 PPA 优化如此复杂的设计并确保芯片按预期运行是一项艰巨的任务——这对设计人员来说正变得越来越具有挑战性。
新思科技先进的 AI 驱动解决方案套件，优化硅性能、加速芯片设计并提高整个 EDA 流程的效率。花更多的时间进行创新，减少进入市场的时间。
用于芯片设计和验证的全栈 AI 驱动的 EDA 解决方案，Synopsys.ai 是业界首个EDA解决方案套件，在从系统架构到制造的整个过程中都使用了 AI 的强大功能。
Synopsys.ai 套件可快速处理设计复杂性并接管设计空间探索、验证覆盖率和回归分析以及测试程序生成等重复性任务，同时帮助优化功耗、性能和面积。这让工程师可以专注于芯片质量和差异化。人工智能功能可以帮助团队快速将他们的芯片设计从一个代工厂迁移到另一个代工厂，或者从一个工艺节点迁移到另一个工艺节点。Synopsys.ai 使工程师能够将具有正确规格的正确芯片更快地推向市场。
DSO.ai：通过世界上第一个用于芯片设计的 AI 应用程序更快地实现 PPA 目标
Synopsys DSO.ai 通过使用 AI 引擎在非常大的芯片设计解决方案空间中搜索优化目标，以增强功率、性能和面积。DSO.ai 通过构建培训数据和跨项目应用学习来加速流片和实现 PPA 目标，从而促进选择探索的大规模扩展。
该方法为技术创造了一个机会，可以不断地构建训练数据并应用它所学到的知识，最终加速流片并实现 PPA 目标。人工智能的另一个关键优势是它支持重用：从一个项目中获得的保留知识可以用于未来的项目，从而提高设计过程的效率。由于该解决方案在云端可用，因此客户可以利用更大的灵活性、可扩展性和弹性来处理大量工作负载。用户报告说，生产率提高了 3 倍以上，功耗降低了 15%，芯片尺寸大幅减小。
VSO.ai
Synopsys VSO.ai 是业界首个 AI 驱动的验证解决方案，旨在更快地实现更高的覆盖质量，从而不会漏掉错误。该技术识别并消除回归中的冗余并自动进行根本原因分析。VSO.ai 检查 RTL 和激励以推断覆盖率并突出显示复盖率差距，从而节省大量时间并确保测试的高投资回报率。
VSO.ai帮助验证工程师更快地达到覆盖收敛目标并发现更多错误。数字设计可以在其中运行的设计状态空间的数量几乎是无限的，这使得人类几乎不可能检查每个空间以验证设计是否按预期运行。回归过程可能会持续数天，通过数千次测试耗尽计算资源。通常，最后一英里的关闭最终会非常耗费人力，对大量数据的手动分析在产生可操作的见解方面受到限制。
TSO.ai
Synopsys TSO.ai 是第一个用于半导体测试的自主 AI 应用程序。它优化了复杂设计中的测试程序生成，以用更少的测试模式实现最大的缺陷覆盖率。结果是更快的自动测试模式生成运行时间和更低的硅测试成本。
不断增加的设计复杂性和尺寸也拖累了硅测试过程。在评估自动测试模式生成 (ATPG) 工具的结果时，需要考虑三个关键指标：
1. 缺陷覆盖率
2. 模式计数，与测试成本直接相关
3. 运行
传统上，优化其中一个指标（通常是手动）会对其他指标产生负面影响。刚接触 ATPG 的人可能不太了解如何调整工具以生成所需的程序结果。
将AI 用于硅芯片设计的固有优势之一是，随着工具从设计到设计不断学习，它们会变得更好。这对于芯片设计界和依赖电子产品的每个人来说都是个好消息。人工智能可以使工程师能够将具有正确规格的正确芯片更快地推向市场，并创建更复杂的系统来解决我们世界的复杂问题。
$新思科技(NASDAQ|SNPS)$$铿腾电子(NASDAQ|CDNS)$$华大九天(SZ301269)$
#算力概念股还能上车吗？##大语言模型“竞赛”热火朝天##AI发展要系好“安全带”##AI赋能，游戏股价值重估#
精彩评论