隨著人工智能（AI）技術的采用和復雜性的不斷發(fā)展，人們越來越清楚地認識到AI及其許多派生工具（深度學習，機器學習等）將導致世界范圍內前所未有的深刻的社會經濟變化自工業(yè)革命以來出現(xiàn)。盡管就其道德使用與不道德使用以及對全球社會經濟的潛在影響而言，有時它可能是一個有爭議的話題，但可以肯定的是：即使在嬰兒期，AI仍在有效地部署，以極大地改善和更好地實現(xiàn)許多自動化。從數(shù)據收集，通信，機器人技術/工廠自動化，汽車設計到甚至我們自己小的但實力雄厚的EDA行業(yè)，在芯片設計方面的任務不勝枚舉。

簡而言之（請原諒混合的比喻），精靈已經不在瓶中了，我們需要擁抱它。毫無疑問，在2020年，人工智能芯片和系統(tǒng)的設計和部署將繼續(xù)增長。

為了幫助公司提供更復雜的AI技術，西門子公司Mentor等EDA公司正在做兩件事：

1.開發(fā)工具以幫助公司更快地設計AI加速器。

2.利用機器學習算法來改進IC設計工具，以便它們可以更快地為客戶提供更好的結果。

讓我們仔細看看這些。

更好，更快的AI / ML設計工具大多數(shù)AI都是從數(shù)學算法開始的。開發(fā)人員在數(shù)學工具中創(chuàng)建算法，將其轉換為C代碼，然后在處理器上運行該算法。不可避免地，他們會發(fā)現(xiàn)算法的某些部分運行最佳，而其他部分的運行速度較慢。

因此，在AI / ML加速器IP和芯片開發(fā)方面出現(xiàn)了巨大的增長（以及風險社區(qū)和大型公司的后續(xù)投資）?？梢詮娭颇承┧惴ǎㄍㄟ^調整C代碼）使其在現(xiàn)有的AI ASSP體系結構上運行，但會降低性能和功耗，而其他算法（例如，對移動設備的思考）則需要專用邏輯才能最佳運行。

為給定的應用程序開發(fā)正確的AI架構會激怒EDA工具，使企業(yè)能夠使用更高級別的抽象。對于為其片上系統(tǒng)（SoC）設計開發(fā)AI IP加速器的公司，我們開始看到我們的Catapult HLS（高級綜合）技術的業(yè)務正在增長。這使AI架構師能夠開發(fā)自己的數(shù)學代碼，將其轉換為C或SystemC，并預先了解應在硬件還是軟件中實現(xiàn)算法的哪些部分。然后，他們可以比嘗試立即降到RT級別更快地融合到理想的體系結構上。

當他們確實融合在理想的架構上并選擇最適合運行的硬件配置時，到目前為止，測試和完善該架構的最佳方法是使用仿真解決方案，例如Mentor的Veloce仿真平臺。這使團隊不僅可以在仿真系統(tǒng)上運行經過加固的芯片設計，然后微調軟件仿真，而且仿真還可以連接到最終系統(tǒng)，并通過仿真執(zhí)行整體ML基準測試。

這些AI平臺中的許多平臺將越來越需要高速連接。因此，我們認為大多數(shù)ML SoC實際上都是混合信號SoC。這將需要能夠更有效地橋接數(shù)字和模擬域的工具，例如我們的Symphony AMS仿真解決方案，它是與供應商無關的AMS環(huán)境。

因為許多位于數(shù)據中心和通信基礎設施核心的ASSP AI設備都要求盡可能高的性能，所以我相信我們會開始看到將光子直接帶到硅的硅光子設備的商業(yè)化程度不斷提高。

ML增強的EDA工具可帶來更好，更快的結果在過去的幾年中，Mentor的研發(fā)人員以多種方式引領著將ML集成到我們自己的EDA工具中的方式。該公司目前有五種工具產品，這些工具產品可利用ML來幫助提供更好的結果并更快地交付它們。請允許我稍等一下，并在改進EDA工具的背景下討論ML。

眾所周知，沒有數(shù)據，機器學習是無用的。產生的數(shù)據越多，就可以調用更多的ML來分類和開發(fā)出有意義的數(shù)據。對我們來說幸運的是，EDA工具本身可以產生大量數(shù)據。流程制造會生成大量數(shù)據，用戶可以生成自己的專有數(shù)據和需求（用于培訓）。因此，從理論上講，數(shù)據并不短缺。實際上，在將ML用于EDA時，問題就變成了：哪些數(shù)據集可以有效地用于哪些工具功能？

到目前為止，我們有五個利用ML增強功能的工具，其中大多數(shù)都在物理設計，驗證和制造領域：用于庫特征和仿真，光學鄰近校正，光刻仿真和CMP建模的ML。此EDA部分顯然是起點。

例如，對于光學鄰近校正，Caliber OPC在物理設計數(shù)據庫上運行。每次運行該芯片都會產生數(shù)十億個可用于分析的數(shù)據點。通過將ML技術應用于Caliber OPC，我們可以收集這些芯片周圍的數(shù)據，然后使用它們來更快地產生更好的設計結果。

在關鍵層的7 nm處，客戶使用多達8，000個CPU，運行12至24小時來執(zhí)行一次運行。通過使用機器學習，我們已經能夠將其減少三分之二，并限制了生產將來出現(xiàn)的每個高級節(jié)點所需的時間增加。

這只是一個例子，但是我們在其他ML增強工具上也看到了類似的結果。目前，我們還有兩個項目正在研究中，這些項目正在尋找AI / ML可以利用看似豐富的數(shù)據來更快地提供更好結果的新方法。您當然可以期望，到2020年，您將使用更多的經過ML增強的EDA工具來產生更多的創(chuàng)新。
責任編輯:tzh