聯(lián)發(fā)科宣布，將于近期將機(jī)器學(xué)習(xí)導(dǎo)入芯片設(shè)計(jì)，運(yùn)用強(qiáng)化學(xué)習(xí)（reinforcement learning） 讓機(jī)器自我探索學(xué)習(xí)，預(yù)測芯片最佳電路區(qū)塊位置（location） 與形狀（shape）。
這一舉措可大幅縮短芯片設(shè)計(jì)的開發(fā)時(shí)間，并建構(gòu)性能更強(qiáng)大芯片，成為改變游戲規(guī)則的大突破。據(jù)悉此技術(shù)將于11 月臺(tái)灣地區(qū)舉行IEEE亞洲固態(tài)電路研討會(huì)A－SSCC發(fā)表，同步申請(qǐng)國際專利。
AI設(shè)計(jì)芯片，工程師的失業(yè)危機(jī)？
隨著芯片復(fù)雜性不斷提高，如何讓數(shù)量龐大的組件處于最佳位置且功能正常，是芯片布局的嚴(yán)峻挑戰(zhàn)。早期電路區(qū)塊布局不僅需要龐大的富有經(jīng)驗(yàn)的工程師人力支持，而且還需要耗時(shí)數(shù)周才能產(chǎn)出方案給芯片系統(tǒng)開發(fā)者使用。
此次，聯(lián)發(fā)科運(yùn)用AI機(jī)器學(xué)習(xí)演算法，可將時(shí)間縮短至一天甚至數(shù)小時(shí)，就能預(yù)測出最佳化電路區(qū)塊布局，效益不只超越人工，更能透過GPU加速，提供多達(dá)數(shù)十項(xiàng)可行開發(fā)方案，釋放研發(fā)人力時(shí)間及心力投注其他更復(fù)雜的系統(tǒng)架構(gòu)。聯(lián)發(fā)科還運(yùn)用模型預(yù)訓(xùn)練技術(shù)，讓機(jī)器持續(xù)隨專案演化，將一代優(yōu)于一代的精神應(yīng)用至芯片開發(fā)。
聯(lián)發(fā)科指出，AI先進(jìn)技術(shù)注入新演算法，針對(duì)極復(fù)雜的芯片設(shè)計(jì)，決定最佳電路配置，除了決定區(qū)塊（block） 最佳位，還能調(diào)整成最佳形狀，將機(jī)器學(xué)習(xí)應(yīng)用在最佳化設(shè)計(jì)、減少錯(cuò)誤，探索未知、協(xié)助工程師花更少時(shí)間，產(chǎn)出更好成果。
聯(lián)發(fā)科芯片設(shè)計(jì)研發(fā)本部群資深副總經(jīng)理蔡守仁表示，不論企業(yè)界和學(xué)術(shù)界，近年少有早期電路區(qū)塊布局文獻(xiàn)研究。聯(lián)發(fā)科本次突破性發(fā)展，將AI和EDA 結(jié)合出機(jī)器最佳化電路區(qū)塊布局，協(xié)助研發(fā)人員提高效率并自動(dòng)執(zhí)行最佳化任務(wù)。技術(shù)逐步整合導(dǎo)入聯(lián)發(fā)科全線開發(fā)設(shè)計(jì)流程，包括手機(jī)、電視、網(wǎng)絡(luò)通信等芯片，有效提升研發(fā)能量、縮短研發(fā)時(shí)程、協(xié)助公司及客戶快速搶占市場先機(jī)。
AI技術(shù)能幫助芯片設(shè)計(jì)解決哪些難題
實(shí)際上，用AI來完成芯片設(shè)計(jì)的案例不在少數(shù)，聯(lián)發(fā)科也并非第一家這么做的廠商。在去年9月，由Jeff Dean領(lǐng)銜的谷歌大腦團(tuán)隊(duì)以及斯坦福大學(xué)計(jì)算機(jī)科學(xué)系的科學(xué)家們?cè)谝豁?xiàng)聯(lián)合報(bào)告中證明，機(jī)器學(xué)習(xí)工具已可以極大地加速計(jì)算機(jī)芯片設(shè)計(jì)。
科學(xué)家們給出了一種基于深度強(qiáng)化學(xué)習(xí)的芯片布局規(guī)劃方法，該方法能給出可行的芯片設(shè)計(jì)方案，且芯片性能不亞于人類工程師的設(shè)計(jì)。最重要的是，完成整個(gè)芯片設(shè)計(jì)的過程只要幾個(gè)小時(shí)，不再需要幾個(gè)月了。
Jeff Dean是被譽(yù)為“谷歌傳奇”、“谷歌AI掌門人”的天才，曾榮獲2021年IEEE馮諾依曼獎(jiǎng)，在他的帶隊(duì)下，這支研究團(tuán)隊(duì)最新的研究表明，人工智能機(jī)器學(xué)習(xí)工具已經(jīng)可以用來加速芯片設(shè)計(jì)中“布局規(guī)劃”的流程。簡單來說，科學(xué)家們讓這個(gè)機(jī)器學(xué)習(xí)工具把“布局規(guī)劃”看作一種棋盤游戲，“棋子”就是電子元器件，而“棋盤”是放置電子元器件的電子畫布，下棋得到的“獲勝結(jié)果”就是通過一系列評(píng)估指標(biāo)獲取最優(yōu)性能。
AI技術(shù)的參與確實(shí)能幫助解決芯片設(shè)計(jì)中的諸多難題。
首先是芯片層的設(shè)計(jì)規(guī)劃。芯片設(shè)計(jì)布局不是簡單的二維平面問題，而是復(fù)雜的三維設(shè)計(jì)問題，需要在一個(gè)受限制的區(qū)域內(nèi)跨多個(gè)層小心地配置成百上千個(gè)組件。人類會(huì)手動(dòng)設(shè)計(jì)配置，以最小化組件之間使用的電線數(shù)量來提高效率，然后使用電子設(shè)計(jì)自動(dòng)化軟件（EDA等）來模擬和驗(yàn)證它們的性能，而僅一個(gè)單層的平面圖就需要花費(fèi)超過30個(gè)小時(shí)。如今AI技術(shù)也能以人類的思維模式去考慮芯片性能、復(fù)雜性、制造成本等多個(gè)因素，以最佳方式進(jìn)行設(shè)計(jì)。
第二點(diǎn)是效率，如果說一枚芯片的存活周期在2到5年，那么光是設(shè)計(jì)階段就占用了好幾個(gè)月甚至一年以上時(shí)間，AI技術(shù)的參與可以極大縮減研發(fā)人員的開發(fā)時(shí)間。
第三點(diǎn)是智能化程度，算法可以計(jì)算到人們腦力“盲區(qū)”，訓(xùn)練計(jì)算的數(shù)量上去了，可作為優(yōu)選的方案自然也就更多了。換言之，算法的許多平面圖其實(shí)比人類工程師設(shè)計(jì)的要好，也就是說它還教會(huì)了人類一些新技巧，這也是一個(gè)相互學(xué)習(xí)的過程。
AI不能主導(dǎo)芯片設(shè)計(jì)
AI技術(shù)的參與，確實(shí)能夠幫助人們提升芯片測試效率，相比用人力去排查異常并糾錯(cuò)，用AI排查問題的速度明顯更快。基于AI設(shè)計(jì)的代理模型能夠?qū)?shí)驗(yàn)數(shù)據(jù)中的參數(shù)進(jìn)行調(diào)整，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行模擬，實(shí)現(xiàn)模型的快速更新迭代。
但再強(qiáng)大的算法就算能縮減芯片設(shè)計(jì)的時(shí)長，也不意味著具有完全自主決策的能力，它更多的還是扮演著“AI助理”的角色，只不過這個(gè)助理豐富的案例和超快計(jì)算能力，能夠更好的幫助人類工程師實(shí)現(xiàn)快速的芯片設(shè)計(jì)流程。
目前在GitHub和MATLAB平臺(tái)上，已經(jīng)公布了眾多與芯片設(shè)計(jì)相關(guān)的程序，行業(yè)內(nèi)越來越多的公司開始將AI應(yīng)用到芯片設(shè)計(jì)工作中，以釋放人力成本，提升工作效率。未來，人們可能不用再等上幾年或者幾個(gè)月，就能看到性能翻倍的芯片。
