利用AI技术，打造更强大的处理芯片

即将开播：4月29日，民生银行郭庆谈商业银行金融科技赋能的探索与实践

当前，越来越多的初创企业与大型半导体公司正争相推出新型AI芯片。Synopsys、Cadence以及Mentor Graphics等电子工具与设计服务厂商，则希望寻求更多前所未有的方案，帮助设计师们加快产品投产速度。

有趣的点来了：目前各家公司采取的主流研发提速手段之一，就是利用AI技术协助构建更强大的AI芯片。其中，设计流程后端(即物理设计阶段)对AI工具的支持表现得尤为成熟，而各早期采用者也得到了相当可观的收益。

图一：这是一块英伟达Drive AGX Orin芯片，其结构极度复杂，包含多达170亿个晶体管。有趣的是，目前业界正利用AI技术为此类芯片提供更高效的设计支持。

相关问题

很多朋友可能并不熟悉芯片制造的具体方式，这里我就用几个常见问题进行说明。在确定了芯片的基本逻辑(往往需要耗费数月甚至数年时间)之后，接下来就是物理设计流程了——更具体地讲，工程师们需要确定每个晶体管应放置在何处、不同晶体管之间又要如何互连。这个过程，被称为布局与布线。现代芯片上往往包含数十亿个晶体管，因此布局与布线的设计与测试往往需要耗费数名工程师长达20到30周的时间才能完成。一旦不小心出了错，芯片的实际运行效率可能要比设计要求更低、功耗更高、成本增加或者压根无法正常使用。但遗憾的是，并不存在一种百试百灵的“正确”芯片布局方法。面对这小小方寸，我们拥有成千上万种可能的选择，而研发人员的任务就是在芯片的三大主要设计指标中做出权衡：性能、功耗与面积(统称PPA)。

实际上，设计团队相当于面对着一个规模庞大的“搜索”难题：单是平面图形搜索，就涵盖惊人的1090,000 万种可能性。与之对应，国际象棋中“只”包含10123种可能性，而围棋则包含10360种可能状态。之所以要用棋类作类比，是因为目前的AI软件完全能够以下棋的方式“玩转”物理设计。虽然AI方案往往需要耗费巨量计算资源，但同时也能够快速对多到难以想象的选项做出分类，优化参数实现一系列既定目标，从而高效为芯片设计找到最理想的PPA组合。

强化学习——攻克芯片设计难题的关键

AI领域存在一个无监督学习分支，被称为强化学习(RL)，能够以试错方式探索并掌握解决问题的方法。具体来讲，计算机会不断“尝试”一个个解决方案，并通过结果的趋好/趋坏来不断增强该解决方案中的参数。在经过数万亿次的重复之后，解决方案终将收敛——这就代表着“最佳实践”。

电子设计自动化(EDA)厂商Synopsys公司一直在与客户联手推进这方面试验，并获得了令人欣喜的结果。

图二：设计团队利用强化学习加快网络芯片、移动芯片、车载芯片以及AI加速芯片等物理设计项目，并取得了惊人的成果。

图二所示，总结了Synopsys及其客户在复杂芯片设计当中完成的四个试验性项目。平均来看，这些项目的完成速度比以往人工方式要快86%，一位数据科学家即可替代原本的四到五名专业设计工程师，且各个项目全部达到或者超过了既定的PPA目标。有趣的是，由AI生成的某些设计结果颇有反直觉的效果，会以人类设计团队几乎不可能想到的非常规形式进行晶体管部署。但结果不言而喻，这些成果更快、更高效，也让企业能够更快将产品投放市场。