AI驅(qū)動(dòng)的EDA未來

（本文編譯自Semiconductor Engineering）

AI正滲透整個(gè)半導(dǎo)體生態(tài)系統(tǒng)，迫使AI芯片、用于制造它們的設(shè)計(jì)工具以及確保其可靠工作的方法發(fā)生根本性變化。

這是一場全球性的競賽，未來十年幾乎每個(gè)領(lǐng)域都將被重新定義。一些EDA高層管理人員近期總結(jié)了三大趨勢，這些趨勢將成為可預(yù)見的未來的焦點(diǎn)：

• AI本身正從嚴(yán)格控制的機(jī)器學(xué)習(xí)擴(kuò)展到AI助手、生成式AI和代理式AI。

• 這種轉(zhuǎn)變需要處理海量數(shù)據(jù)，才能創(chuàng)建大語言模型和算法。由于規(guī)模擴(kuò)展的限制，它正推動(dòng)向多芯片組件的轉(zhuǎn)變，最佳選擇是3D IC。

• 芯片和系統(tǒng)需要在整個(gè)生命周期內(nèi)進(jìn)行監(jiān)控，以確保可靠性。AI容易產(chǎn)生‘幻覺’，而充滿芯粒的復(fù)雜系統(tǒng)可能會(huì)隨著時(shí)間的推移以意想不到的方式出現(xiàn)性能下降，導(dǎo)致靜默數(shù)據(jù)損壞、軟件更新帶來的不兼容，以及工作負(fù)載變化導(dǎo)致的加速老化。

人工智能

在EDA中，AI的應(yīng)用場景已從簡單的模式識別發(fā)展到輔助設(shè)計(jì)和廣泛的知識共享，使初級工程師能夠更快地上手，資深工程師則能擴(kuò)展到新的領(lǐng)域并提高工作效率。

新思科技總裁兼首席執(zhí)行官Sassine Ghazi表示：“我們對AI的定位包括‘副駕駛’、‘輔助工具’和‘創(chuàng)意引擎’。輔助工具涵蓋工作流助手、知識助手和調(diào)試助手，既能讓初級工程師快速上手，也能幫助資深工程師以更現(xiàn)代、高效的方式與我們的產(chǎn)品交互。而創(chuàng)意引擎則體現(xiàn)在多個(gè)場景中，例如我們已與早期客戶合作，通過AI輔助完成RTL代碼生成、測試平臺搭建和測試斷言編寫——就像副駕駛一樣，幫助工程師創(chuàng)建部分RTL代碼、測試平臺文檔和測試斷言。”

Ghazi指出，借助創(chuàng)新工具，各種任務(wù)的執(zhí)行時(shí)間可以從幾天縮短到幾分鐘，但這一切都需要嚴(yán)格控制。“我們不能讓模型產(chǎn)生‘幻覺’，”他強(qiáng)調(diào)，“我們在與客戶合作的時(shí)機(jī)和方式上非常謹(jǐn)慎，確保所提供技術(shù)的成熟度符合要求，不會(huì)危及他們的工作流。隨著AI的不斷發(fā)展，工作流程也將隨之演變。投資者常問我們，何時(shí)能通過AI推動(dòng)EDA市場變革？我認(rèn)為，除非工作流本身發(fā)生改變——即通過截然不同的方式更快、更高效地實(shí)現(xiàn)產(chǎn)品規(guī)劃——否則變革不會(huì)真正發(fā)生。現(xiàn)在，隨著代理式AI時(shí)代的到來，代理工程師將與人類工程師合作，以應(yīng)對這種復(fù)雜性并改變工作流程。”

如果AI能夠兌現(xiàn)承諾，這場變革的規(guī)模將不可估量。但當(dāng)前技術(shù)演進(jìn)速度極快，也引發(fā)了許多目前尚無明確答案的問題：AI究竟擅長哪些領(lǐng)域？哪些環(huán)節(jié)需要密切監(jiān)控？風(fēng)險(xiǎn)又存在于何處？自20世紀(jì)50年代末以來，關(guān)于AI變革能力的預(yù)測往往過于樂觀，但從ChatGPT推出至今的短短幾年間，AI似乎終于開始兌現(xiàn)承諾，而代理式AI將成為下一個(gè)重要目標(biāo)。

西門子數(shù)字工業(yè)軟件首席執(zhí)行官M(fèi)ike Ellow表示：“如果我們有足夠信心賦予AI一定程度的自主權(quán)，使其能夠自主做出主動(dòng)決策，那么代理式AI將是一個(gè)有趣的概念。在設(shè)計(jì)領(lǐng)域，當(dāng)我們開始討論代理AI與代理式AI時(shí)，這其定義取決于溝通對象及他們對術(shù)語的細(xì)分方式。從我們的角度來看，代理AI是指我們定義帶有一組邊界條件的任務(wù)，然后讓AI在該框架內(nèi)運(yùn)行以得出解決方案。而代理式AI則基本上是指‘這是問題所在，你自行思考執(zhí)行的最佳方式，提出解決方案，并從EDA的角度朝著預(yù)期結(jié)果推進(jìn)’。這就是我們看待AI在工具中演進(jìn)的方式。”

AI的采用率之高前所未有。在芯片設(shè)計(jì)領(lǐng)域，很難找到一個(gè)AI不發(fā)揮作用的領(lǐng)域，無論這種作用是直接的還是間接的。

是德科技EDA軟件副總裁兼總經(jīng)理Niels Faché表示：“這對我們行業(yè)來說是一場深刻的變革。當(dāng)你在仿真領(lǐng)域和物理領(lǐng)域中推進(jìn)工作時(shí)，所有這些環(huán)節(jié)都會(huì)生成數(shù)據(jù)，也會(huì)有可收集的洞察。這正是AI能夠大顯身手的地方。從仿真的角度思考，AI可以幫助我們進(jìn)行建模，加快仿真速度，為產(chǎn)品增添更多專業(yè)知識，以協(xié)助設(shè)計(jì)團(tuán)隊(duì)，還能幫助設(shè)計(jì)師生成設(shè)計(jì)方案。AI非常強(qiáng)大，且具有變革性。幾年前，一位客戶告訴我，‘我有一個(gè)設(shè)計(jì)團(tuán)隊(duì)，但他們花費(fèi)大量時(shí)間使用你們的產(chǎn)品進(jìn)行仿真。我真的希望他們成為設(shè)計(jì)師，而不是仿真員。’產(chǎn)品設(shè)計(jì)團(tuán)隊(duì)不想學(xué)習(xí)仿真器的工作原理，也不想花費(fèi)大量時(shí)間設(shè)置仿真環(huán)境。他們只想思考需求，以及如何根據(jù)這些需求創(chuàng)建設(shè)計(jì)。這就是AI的力量，它能真正幫助客戶從產(chǎn)品設(shè)計(jì)思路轉(zhuǎn)向他們真正想要做的事情。AI可以幫助你在PCB上布線，或者設(shè)計(jì)新的拓?fù)浣Y(jié)構(gòu)。”

Cadence總裁兼首席執(zhí)行官Anirudh Devgan將AI在EDA中的角色比作三層蛋糕中的一層。“要讓應(yīng)用成功，三層都不可或缺，”他表示，“包括是AI代理和編排層，核心仿真層（有時(shí)人們會(huì)忽視其重要性，它涵蓋真實(shí)晶體管行為、分子運(yùn)動(dòng)、流體動(dòng)力學(xué)和熱學(xué)等，無可替代），以及運(yùn)行計(jì)算的硬件層。”

從計(jì)算角度看，AI更像是演進(jìn)而非革命。“AI初期需要密集計(jì)算，但物理世界并非密集型，AI本身也不是——所有神經(jīng)網(wǎng)絡(luò)都非完全密集。由于設(shè)計(jì)和需求的復(fù)雜性，我們在算法層面不斷創(chuàng)新，涉及延遲處理、分區(qū)策略和層級架構(gòu)。這既體現(xiàn)在抽象層的頂層設(shè)計(jì)，也反映在純算法的底層邏輯。這些算法中，一半是布爾型（如邏輯仿真、形式驗(yàn)證等‘0/1’運(yùn)算），另一半是數(shù)值型（如邏輯仿真、形式驗(yàn)證等‘0/1’運(yùn)算），兩者都需要加速技術(shù)……而如今借助AI，我們可以從自然語言和優(yōu)化的角度，在軟件領(lǐng)域?qū)崿F(xiàn)更高層次的創(chuàng)新。AI非常擅長優(yōu)化，這就是我們多年來持續(xù)投入的原因。我們已構(gòu)建了五大AI平臺——數(shù)字設(shè)計(jì)、驗(yàn)證、定制電路、封裝和系統(tǒng)分析，取得的實(shí)際效果相當(dāng)顯著……AI完全能重塑芯片設(shè)計(jì)，這就是我們在這五大平臺大舉投入的原因。”

EDA廠商如何利用AI在一定程度上因起點(diǎn)不同而有所差異。但LLM的優(yōu)勢之一在于能夠跨越不同數(shù)據(jù)類型，從而提升整個(gè)流程的抽象水平。因此，起點(diǎn)的重要性并不像乍看起來那么重要。關(guān)鍵在于廠商如何獲取和利用數(shù)據(jù)，以及他們能在多大程度上將數(shù)據(jù)擴(kuò)展到設(shè)計(jì)階段之外——這在很大程度上取決于未來數(shù)據(jù)的共享和保護(hù)方式，以及企業(yè)如何發(fā)掘機(jī)遇。

正如西門子的Ellow所解釋的那樣：“我們以生成式AI領(lǐng)域?yàn)榛A(chǔ)，因?yàn)檫@是第一個(gè)能從我們和客戶數(shù)據(jù)源中獲取大量驗(yàn)證數(shù)據(jù)的層級。這些數(shù)據(jù)會(huì)進(jìn)入數(shù)據(jù)湖，用于訓(xùn)練LLM。我們可以使用各種LLM，客戶也可以使用他們自己的LLM。然后可將其嵌入到基礎(chǔ)設(shè)施中，并在其基礎(chǔ)上運(yùn)行我們的所有工具。”

鑒于綠地機(jī)遇的廣闊性，選擇合適的切入點(diǎn)極具挑戰(zhàn)性。這就是為什么初始起點(diǎn)需要具備實(shí)際相關(guān)性。“成為一名射頻工程師需要多長時(shí)間？這幾乎是一門藝術(shù)，”是德科技的Faché表示，“這不是六個(gè)月就能掌握的，通常需要數(shù)年時(shí)間。但借助AI，我們能讓設(shè)計(jì)師更容易地獲取信息，真正縮小經(jīng)驗(yàn)豐富的射頻設(shè)計(jì)人員與新手工程師之間的生產(chǎn)力差距。聊天機(jī)器人就是一個(gè)例子，它能以更好的形式在合適的時(shí)間為客戶提供信息。”

3D IC

AI需要大量數(shù)據(jù)，尤其是用于訓(xùn)練模型的數(shù)據(jù)。問題在于，由于光罩限制，平面芯片無法快速高效地處理所有數(shù)據(jù)，因此許多數(shù)據(jù)中心采用某種多芯片組裝技術(shù)（例如扇出式或2.5D技術(shù)），以提升性能并降低功耗（相比平面SoC）。

圖1：3D IC概念模型。

（圖源：英特爾代工廠）

但上述方案大多屬于漸進(jìn)式改進(jìn)。要實(shí)現(xiàn)性能和功耗的大幅提升，需要真正的3D IC、混合鍵合技術(shù)和芯粒陣列。

Ellow表示：“2.5D封裝技術(shù)讓芯片結(jié)構(gòu)更加靈活，使其更適應(yīng)所運(yùn)行的軟件。當(dāng)完全采用3D IC時(shí)，可在不同的芯片之間進(jìn)行更離散的分區(qū)，并利用不同的工藝針對不同的功能進(jìn)行優(yōu)化，這為匹配軟件工作負(fù)載提供了更具吸引力的可能。盡管這仍是一種理想目標(biāo)，但優(yōu)化方向已然明確。”

兩個(gè)關(guān)鍵挑戰(zhàn)在于：如何管理散熱，以及如何確保不同芯片層正確鍵合，從而使密集互連完美對齊。此外，3D IC中的一些芯粒將采用最先進(jìn)的工藝開發(fā)，而其他芯片則可能采用成熟的工藝開發(fā)，這使得問題更加復(fù)雜。

“客戶已在談?wù)搶?shù)萬億個(gè)晶體管集成到單一封裝中，同時(shí)將流片周期從18個(gè)月壓縮至16個(gè)月、12個(gè)月甚至更短，以快速交付智能系統(tǒng)的定制化芯片，”Ghazi表示，“如何應(yīng)對這一趨勢？單芯片技術(shù)的復(fù)雜性——我們說的是GAA等埃級設(shè)計(jì)工藝——再加上先進(jìn)封裝的集成挑戰(zhàn)，構(gòu)成了雙重考驗(yàn)。”

這是擴(kuò)展到數(shù)千億甚至數(shù)萬億個(gè)晶體管的唯一方法，但將它們組合在一起將是一項(xiàng)工程壯舉。“一旦你開始擴(kuò)展到這種復(fù)雜程度，你就只能通過提高互連層的效率來實(shí)現(xiàn)所需的性能或功耗，”Ghazi表示，“而且芯片可能來自不同的工藝技術(shù)和代工廠。如何驗(yàn)證和確認(rèn)架構(gòu)才能交付先進(jìn)封裝？”

這也為以芯粒形式出現(xiàn)的軟IP和硬IP打開了大門。“伴隨3D IC與AI技術(shù)的崛起，新機(jī)遇不斷涌現(xiàn)，因此我們正在加倍投資IP，”Devgan表示。

數(shù)字孿生

EDA廠商敏銳地意識到AI系統(tǒng)的風(fēng)險(xiǎn)以及3D IC架構(gòu)中的未知因素。

“需要將設(shè)計(jì)和測試連接起來，并在從設(shè)計(jì)到測試的驗(yàn)證過程中引入‘?dāng)?shù)字威脅’，”Faché表示，“現(xiàn)有工具可以管理質(zhì)量和可靠性。當(dāng)然，數(shù)據(jù)管理和分析的需求也日益增長。所有這些工具都需要有，客戶需要從自主研發(fā)的工具轉(zhuǎn)向商業(yè)工具。但這些工具也相互依存，因此需要一個(gè)中心輻射模型，使不同工具能對數(shù)據(jù)進(jìn)行處理。數(shù)據(jù)會(huì)隨時(shí)間演變，它們可能會(huì)消耗數(shù)據(jù)，也可能會(huì)生成數(shù)據(jù)。IP是在產(chǎn)品生命周期內(nèi)開發(fā)的。因此，如果我們想要實(shí)現(xiàn)真正的數(shù)字化轉(zhuǎn)型，就需要一個(gè)基礎(chǔ)架構(gòu)，讓客戶能夠做到這一點(diǎn)。數(shù)據(jù)管理過程至關(guān)重要。”

這個(gè)概念仍在演進(jìn)，相關(guān)術(shù)語也是如此。一些廠商稱之為數(shù)字孿生，而另一些則稱之為虛擬孿生。但基本概念是對系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)控，以確保其運(yùn)行符合預(yù)期，根據(jù)工作負(fù)載盡可能地對其進(jìn)行優(yōu)化，并在出現(xiàn)問題之前采取措施進(jìn)行修復(fù)。

Devgan表示：“業(yè)界對精確數(shù)字孿生有著巨大需求，尤其是在物理領(lǐng)域及推動(dòng)這一需求的相應(yīng)硅芯片設(shè)計(jì)中。這就是我們投資數(shù)據(jù)中心數(shù)字孿生技術(shù)的原因——用于模擬整個(gè)數(shù)據(jù)中心。雖然這是一款非傳統(tǒng)產(chǎn)品，但它變得至關(guān)重要：應(yīng)用計(jì)算流體力學(xué)(CFD)、仿真和AI來優(yōu)化數(shù)據(jù)中心。我們甚至將其應(yīng)用于內(nèi)部的數(shù)據(jù)中心。關(guān)于數(shù)據(jù)中心，需要記住的是，不僅僅那些大型云計(jì)算公司擁有，企業(yè)中也有很多數(shù)據(jù)中心。當(dāng)我們將它應(yīng)用于我們自己的數(shù)據(jù)中心時(shí)，電力效率提高了10%，這意義重大，因?yàn)閿?shù)據(jù)中心的設(shè)計(jì)缺乏科學(xué)方法論支撐。芯片、機(jī)架和所有網(wǎng)絡(luò)設(shè)計(jì)都應(yīng)用了大量的科學(xué)原理。但數(shù)據(jù)中心的選址、冷卻池規(guī)模、散熱過度或不足，以及定期維護(hù)等環(huán)節(jié)，卻不像芯片設(shè)計(jì)那樣有嚴(yán)謹(jǐn)?shù)目茖W(xué)依據(jù)。因此，一旦建立數(shù)據(jù)中心的數(shù)字孿生模型，就能進(jìn)行更深入的優(yōu)化。”

這個(gè)概念很容易理解，但除了早期的一些成功案例外，離散數(shù)字孿生技術(shù)仍處于發(fā)展階段。“數(shù)字孿生尚未形成商業(yè)化系統(tǒng)，”Ellow表示，“它是一系列組件集合，包含了軟件、半導(dǎo)體、封裝和電路板等電子元件。此外，它還涉及電氣效應(yīng)、機(jī)械部件，以及與之相關(guān)的多物理場分析產(chǎn)品組合。同時(shí)，它還涉及產(chǎn)品生命周期管理，因?yàn)樗羞@些組件都必須通過物料清單來構(gòu)建。單一公司若能覆蓋所有這些獨(dú)立領(lǐng)域，就能提供獨(dú)特的洞察，但當(dāng)將整個(gè)產(chǎn)品組合納入制造流程仿真等環(huán)節(jié)時(shí)，仍存在一些差距。如何為最終產(chǎn)品的實(shí)際生產(chǎn)（即所有系統(tǒng)集成）做好準(zhǔn)備？這其中有太多問題需要拆解。”

行業(yè)正在取得進(jìn)展，但這并非一勞永逸的萬能解決方案。“作為一個(gè)行業(yè)，我們討論數(shù)字孿生已有一段時(shí)間，但鑒于在系統(tǒng)級進(jìn)行實(shí)時(shí)仿真、分析和優(yōu)化的復(fù)雜性，這項(xiàng)技術(shù)至關(guān)重要，”Ghazi表示，他將數(shù)據(jù)中心和汽車等應(yīng)用列為該技術(shù)的關(guān)鍵市場。“隨著我們開始深入研究汽車和自動(dòng)駕駛的復(fù)雜性，數(shù)字孿生需要同時(shí)對電子設(shè)備和周圍環(huán)境進(jìn)行建模。以汽車為例，我們必須與生態(tài)系統(tǒng)合作，因?yàn)槌诵酒摂M化和電子系統(tǒng)外，還有其他部件需要集成。”

結(jié)語

AI革命已經(jīng)開始。與所有新技術(shù)一樣，解決矛盾并識別問題需要整個(gè)科技生態(tài)系統(tǒng)多年的努力。

“挑戰(zhàn)重重，”Faché表示，“首先，無論是設(shè)計(jì)師、設(shè)計(jì)團(tuán)隊(duì)成員，還是工具供應(yīng)商，都必須精通AI。學(xué)習(xí)AI是一個(gè)全新領(lǐng)域，這意味著我們需要真正理解工程生命周期的變化。這是對工程生命周期的根本性重新設(shè)計(jì)。人們需要了解在AI世界中如何開發(fā)模型，機(jī)器學(xué)習(xí)的運(yùn)營工作流程是什么樣的。構(gòu)建模型需要成本，必須具備相應(yīng)資源、流程和數(shù)據(jù)管理結(jié)構(gòu)才能實(shí)現(xiàn)。最終，還需要確保這些工具可靠運(yùn)行。這是一場人人都需擁抱AI的競賽。”