如今，AI已深入到芯片設計、驗證、測試以及其他關鍵階段，開發者紛紛感受到了AI帶來的生產力提升，見證了在常規項目時間框架內僅靠人力所無法實現的驚人成果。沒有AI參與芯片設計，這些都是無法想象的。
利用AI進行芯片設計如何發展至今？未來又何去何從？
“設計領域AI的崛起——過往歷程與未來展望”討論會吸引了各領域的專家，共同分享AI在各自領域中所取得的進展，并展望了未來的發展。在新思科技AI戰略與系統團隊高級經理、SNUG硅谷用戶大會AI會議負責人Geetha Rangarajan的主持下，該討論會旨在探討AI如何在系統設計中幫助我們重新思考多個領域中的“難點”問題。會者們積極發表意見，通過創造性思維共同探索了使用AI驅動型解決方案的可能性。討論會的成果豐富多彩，為AI在設計領域的應用帶來了新的啟示。
簡化原本復雜的芯片設計工作流程
AI已經在逐步簡化原本復雜的芯片設計工作流程，優化日益龐大復雜的搜索空間。新思科技DSO.ai?等解決方案利用強化學習技術，大規模擴大對設計工作流程選項的探索，既縮短了設計時間，又優化了功耗、性能和面積（PPA）。DSO.ai于2020年推出，是最早用于芯片設計的AI應用，最近已率先實現首先100個生產流片這一重要里程碑。
新思科技AI戰略與系統團隊的杰出架構師Joe Walston在討論會上提出了一個問題：AI能否幫助開發者解決整個系統堆棧中的復雜問題？從計算設備到裝置再到飛機，如今的系統覆蓋了各種應用領域。系統堆棧包含了潛在受益于AI的軟件和硬件（物理）組件。軟件如工作負載驅動型軟件，用于處理通信、數據處理以及與用戶、外部環境及系統內其他組件的交互。硬件如軟件驅動型架構，這是用于滿足軟件需求（包括機械、光學、半導體、電源或傳感器方面的需求）的硬件子系統。
系統堆棧的每一層都有很多相關問題需要解決。例如，在半導體子系統中，先進的SoC包含多個處理器、復雜接口IP、數字/模擬邏輯、存儲器等。開發者面臨著優化多個工作流程的挑戰，從微架構選擇到版圖布局優化，再到物理設計、測試和制造方面的選擇，都要納入考量。同樣，對于光學子系統，開發者必須綜合考慮嵌入式電路、透鏡、探測器和光源等因素。Walston表示，AI可以協助完成一些重復性的探索工作，幫助開發者更快達成目標。
實現更快的驗證周期
新思科技EDA團隊科學家Badri Gopalan從功能驗證角度分享了一些觀點。他指出，當下面臨的情況是，驗證復雜性的增長速度超過了摩爾定律。對于如今的SoC，需要驗證的東西有很多：所有的邏輯，所有的跨多維度組合，比如性能和功耗等。驗證開發者怎樣才能找到更多更為復雜的錯誤？怎樣比以往更快的發現？同時將結果質量和結果成本控制在理想范圍內？
Gopalan解釋說，開發者在RTL中應用傳統驗證解決方案通常可實現接近100%的覆蓋率。靜態驗證可以發現約10%的錯誤，但可能會有很多誤報，并且非常費時費力。形式化驗證可以發現另外20%的錯誤，而仿真可以再發現65%的錯誤。仿真也需要大量人工操作，并且需要花費大量時間來調整測試平臺的約束條件和編寫手動測試程序。
新思科技的AI驅動型驗證解決方案VSO.ai可以識別和消除回歸中的冗余，自動進行覆蓋率根本原因分析，然后通過RTL推斷覆蓋率，通過仿真確定覆蓋率差異，并提供覆蓋率優化指導，從而幫助驗證團隊更快、更高效地實現驗證收斂。
提高覆蓋率并最小化測試向量數量
半導體測試也可以受益于AI。在芯片制造過程中，測試開發者需要確保設計沒有缺陷，并且按預期運行。存儲器內置自測（BIST）、壓縮IP和邏輯測試結構等解決方案可用于進行邏輯測試。傳感器也具有重要作用。一般來說，收集到的數據在經過分析后，會回饋到設計周期中，從而實現改進。
在此過程中，每一步都需要決定對哪些參數進行優化。新思科技硬件分析與測試事業部工程副總裁Fadi Maamari解釋道，我們的目標是使用盡可能少的測試向量開展盡可能多的測試，以控制成本。新思科技發布了一款利用AI優化測試碼生成的新產品：新思科技TSO.ai。TSO.ai旨在減少所需的測試向量，提高覆蓋率，并縮短自動測試向量生成（ATPG）的周轉時間。它會以智能方式自動調整ATPG參數，針對特定設計開展一致的結果質量優化，并可以大幅降低測試成本。
通過AI尋找新機遇
目前，AI在電子設計領域的影響才剛剛開始展現。隨著自然語言模型（ChatGPT等AI聊天機器人）的興起，以及AI所展現出的其他機遇，芯片設計行業現已迎來激動人心的時刻。要推進設計、驗證和測試的自動化，還有更多工作要做，也還有更多方面需要改進。強大的電子設計自動化（EDA）技術與緊密集成的機器學習驅動循環有望形成一股強大力量，助力開發者達成前所未有的成就。
新思科技電路設計與TCAD解決方案事業部杰出架構師Vuk Borich表示：“隨著芯片設計越來越多地使用FinFET節點工藝，新的問題不斷出現。雖然芯片密度越來越高，尺寸越來越小，數量也越來越多，但還是有一些具有一定規律的事情可以交給人工智能。所以，我們預計會有大量創新。”
單看模擬設計這一塊，就有很多方面可以享受人工智能的紅利。Borich強調：
要評估制程變異性，需要執行數十億次的蒙特卡洛仿真。有沒有可能利用AI減少這類仿真的時間和成本？
提取寄生效應需要幾個小時，甚至幾天時間。隨著設計參數增加到數百個，迭代時間延長，能用AI來縮短模擬設計收斂時間嗎？
優化布局需要大量人工操作：能否使用AI簡化這一過程，尤其是在相關人才緊缺的情況下？
除了電子系統，光學設計領域也能在AI的幫助下加快實現收斂，并減少開發者的人力。光學設計是成像、汽車照明和光子芯片等應用中的關鍵技術。這些應用相當復雜，有太多的變量和公差需要考慮，過去都是使用特殊工具進行處理的。新思科技光學解決方案團隊的科學家William Cassarly表示，AI具有潛在協同優化專用算法的新機會。利用AI可以對大部分設計空間進行探索，為現有算法提供新起點，減少處理個別案例的工作量。此外，AI有望在完全不同的用例之間進行知識轉移，讓經驗不足的開發者也能產出以往認為只有資深開發者才能給出的結果。
就系統層面而言，硬件和軟件團隊之間的知識孤立導致系統成型成為一項復雜的高成本工作。系統層面的可見性和自動化根源分析是縮短芯片上市時間的關鍵。新思科技系統設計部高級研發師Rachana Srivastava指出，利用AI可自動完成系統層面的根源分析。透過在基于事件的知識圖譜中映射數據，可以了解整個系統的基本情況。對這些數據應用機器學習模型可以進行預測并形成信息挖掘反饋回路，以優化芯片結果。
隨著開發者設計出新的方法將AI和機器學習應用于整個系統堆棧的所有工作流程，激動人心的時代即將到來。為了滿足下一代應用的PPA和上市時間目標，芯片設計只會越來越復雜。AI可以為開發團隊帶來生產力提升，幫助他們實現過去無法想象的成果。
