雲栖号資訊：【 點選檢視更多行業資訊】
在這裡您可以找到不同行業的第一手的上雲資訊，還在等什麼，快來！
目前，越來越多的初創企業與大型半導體公司正争相推出新型AI晶片。Synopsys、Cadence以及Mentor Graphics等電子工具與設計服務廠商，則希望尋求更多前所未有的方案，幫助設計師們加快産品投産速度。
有趣的點來了：目前各家公司采取的主流研發提速手段之一，就是利用AI技術協助建構更強大的AI晶片。其中，設計流程後端（即實體設計階段）對AI工具的支援表現得尤為成熟，而各早期采用者也得到了相當可觀的收益。
圖一：這是一塊英偉達Drive AGX Orin晶片，其結構極度複雜，包含多達170億個半導體。有趣的是，目前業界正利用AI技術為此類晶片提供更高效的設計支援。
相關問題
很多朋友可能并不熟悉晶片制造的具體方式，這裡我就用幾個常見問題進行說明。在确定了晶片的基本邏輯（往往需要耗費數月甚至數年時間）之後，接下來就是實體設計流程了——更具體地講，工程師們需要确定每個半導體應放置在何處、不同半導體之間又要如何互連。這個過程，被稱為布局與布線。現代晶片上往往包含數十億個半導體，是以布局與布線的設計與測試往往需要耗費數名工程師長達20到30周的時間才能完成。一旦不小心出了錯，晶片的實際運作效率可能要比設計要求更低、功耗更高、成本增加或者壓根無法正常使用。但遺憾的是，并不存在一種百試百靈的“正确”晶片布局方法。面對這小小方寸，我們擁有成千上萬種可能的選擇，而研發人員的任務就是在晶片的三大主要設計名額中做出權衡：性能、功耗與面積（統稱PPA）。
實際上，設計團隊相當于面對着一個規模龐大的“搜尋”難題：單是平面圖形搜尋，就涵蓋驚人的1090,000 萬種可能性。與之對應，國際象棋中“隻”包含10123種可能性，而圍棋則包含10360種可能狀态。之是以要用棋類作類比，是因為目前的AI軟體完全能夠以下棋的方式“玩轉”實體設計。雖然AI方案往往需要耗費巨量計算資源，但同時也能夠快速對多到難以想象的選項做出分類，優化參數實作一系列既定目标，進而高效為晶片設計找到最理想的PPA組合。
強化學習——攻克晶片設計難題的關鍵
AI領域存在一個無監督學習分支，被稱為強化學習（RL），能夠以試錯方式探索并掌握解決問題的方法。具體來講，計算機會不斷“嘗試”一個個解決方案，并通過結果的趨好/趨壞來不斷增強該解決方案中的參數。在經過數萬億次的重複之後，解決方案終将收斂——這就代表着“最佳實踐”。
電子設計自動化（EDA）廠商Synopsys公司一直在與客戶聯手推進這方面試驗，并獲得了令人欣喜的結果。
圖二：設計團隊利用強化學習加快網絡晶片、移動晶片、車載晶片以及AI加速晶片等實體設計項目，并取得了驚人的成果。
圖二所示，總結了Synopsys及其客戶在複雜晶片設計當中完成的四個試驗性項目。平均來看，這些項目的完成速度比以往人工方式要快86%，一位資料科學家即可替代原本的四到五名專業設計工程師，且各個項目全部達到或者超過了既定的PPA目标。有趣的是，由AI生成的某些設計結果頗有反直覺的效果，會以人類設計團隊幾乎不可能想到的非正常形式進行半導體部署。但結果不言而喻，這些成果更快、更高效，也讓企業能夠更快将産品投放市場。
總結
在與Synopsys研發團隊的交流當中，我清楚地意識到，在實體設計當中采用RL技術僅僅是AI應用的冰山一角。未來，AI與機器學習将被廣泛引入內建電路設計領域的各類常見工作流程當中。我還想到英偉達公司CEO黃仁勳在2016年首次釋出Saturn V時的評論——順帶一提，Saturn V是英偉達内部開發的基于GPU的超級計算機，當時在全球超算排行榜中占據第30名。黃先生預測稱，Saturn V将成為英偉達手中一張強有力的王牌，幫助内部設計工程師們提高生産力并推出更優質的産品。再結合Synopsys在強化學習方面的早期研究成果，相信大家更能夠了解AI輔助設計的重要份量，以及黃仁勳對這一方案的認可與期望。
【雲栖号線上課堂】每天都有産品技術專家分享！
課程位址：
https://yqh.aliyun.com/zhibo立即加入社群，與專家面對面，及時了解課程最新動态！
【雲栖号線上課堂 社群】
https://c.tb.cn/F3.Z8gvnK
原文釋出時間：2020-04-23
本文來自：“
科技行者”，了解相關資訊可以關注“
”