人工智能会颠覆 EDA行业吗？

科技 2024-07-31 11:57 江苏

本文由半导体产业纵横（ID：ICVIEWS）编译自semiengineering

EDA领域发生变革以来，已经过去了数十年，但人工智能可能会改变半导体开发流程，并迫使芯片设计发生变化。

生成式人工智能已经颠覆了搜索领域，正在改变计算领域的格局，现在它还声称要颠覆EDA领域。但是，尽管人们议论纷纷，纷纷宣称即将发生根本性变革，但人工智能将在哪些领域产生影响以及这些变化的程度有多深，目前仍不清楚。

EDA主要有两个作用：自动化和优化。许多优化问题都是NP难题，这意味着在多项式时间内无法找到最优解，尤其是随着设计规模的扩大。随着时间的推移，人们已经开发出了一些启发式方法，这些方法可以在合理的时间内得到“足够好”的结果。虽然可以想象人工智能可以提供与之相当甚至更接近最优的结果，但这对设计来说可能更多是一种进化而非颠覆。

颠覆性创新通常会导致市场发生变化。一个假设性的问题可能是：“如果EDA能够在零时间内提供最优结果，那么半导体行业将受到怎样的影响？”上市时间将加快，设计将具有略好的性能、功耗和面积（PPA）。但是，这是否足以导致设计启动数量显著增加或开辟新市场，目前尚不清楚。

在这些假设条件下，设计创建和验证仍会成为限制因素。生成式人工智能或许能够改善这一点，而且有令人鼓舞的迹象表明它可以做到这一点。如果设计和验证时间显著减少，几乎肯定会创造新的市场。

在过去的几十年里，EDA领域也曾经历过颠覆性的变革，但问题在于，这些变革往往在发生后才变得明显。“在某些情况下，人们知道变革即将到来，就像柯达知道数字打印一样，但他们就是无法将其推向市场，”Ansys的首席技术官 Prith Banerjee 说。“创新有三个层次。第一层是短期创新。工具的下一个版本应该有哪些功能？我们知道这些功能，因为它们已经存在于市场上。你正在向市场推销，你在观察竞争对手——大公司内部70%到80%的投资都集中在第一层。”

“第二层”涉及相邻领域。“例如，你正在销售一款设计为现场部署的产品，并希望将其迁移到云端，”Banerjee 补充道。“创新是必要的，但我们会想出办法并取得成功。”

许多基于计算的颠覆性变革都属于这一类别。“计算机的内存曾经很小，后来内存越来越大，”Altair的创始人兼首席执行官 James Scapa 说。“我们改变了其中一种工具的工作方式，这种创新对市场产生了颠覆性的影响。从本质上讲，我们将所有模型都放入内存中。这种变化意味着我们的速度比竞争对手快30 倍左右。HPC 也发生了类似的变化。与云计算相关的商业模式将成为 EDA 领域的重大变革之一。与之相伴的商业模式也将带来一定的颠覆性。重要的是要认识到计算领域的发展，了解计算领域的发展方向，以及如何利用计算资源。”

另一种类似的变革仍在进行中。“想想并行计算，”加州大学伯克利分校电子工程与计算机科学系研究生院的荣誉教授、IMEC系统技术协同优化部门首席技术官 Jan Rabaey 说。“人们过去常说并行计算是个坏主意，因为我们不知道如何编译它。相反，我们应该采用单个处理器并使其尽可能快。然后，功耗问题出现了，我们无法让处理器更快。所以突然之间，并行计算变成了一个好主意，这就是一场变革。”

剩余10%的投资用于“第三层”创新。“这不是你当前研发的一部分，也不是针对现有市场的，”Ansys的Banerjee 说。“一个经典的例子是苹果推出了iPhone，那是颠覆性的。亚马逊推出了AWS，他们的网络服务，那也是颠覆性的。大公司如何实现颠覆性创新？因为这不是偶然的，这需要一个过程，你需要挖掘出那些能引发创新的地方。这些地方在学术界，在初创公司。你应该不断监控初创公司的动态，然后组建一个中央研发团队，试图自己发明一些东西。但这个中央团队不必发明一切。一部分是有机地进行的，一部分是将技术引入你的公司。”

回顾过去，我们可以看到EDA领域内已经发生的颠覆性变革。“如果我回到20世纪80年代，我们看到了一系列最初由学术界和初创公司提出的想法，这些想法改变了我们的设计方式，”加州大学伯克利分校的Rabaey 说。“EDA开始使用标准单元来驱动设计。当你第一次看到它时，它似乎是个坏主意。因为它非常受限，你要把单元放在行里，诸如此类。但它使自动化成为可能。这基本上引导了逻辑综合，我们可以开始思考逻辑功能，优化它们，拥有一套工具来帮助我们将高级描述转化为某种形式，并实现自动化。我们今天认为这是理所当然的。还有其他领域——仿真、验证、行为综合——这些领域最终都产生了某种形式的颠覆。”

在过去的20年里，EDA领域几乎没有发生过颠覆性变革，因为该行业基本上一直沿着一条线性道路发展。但随着摩尔定律从平面设计转向封装中的多个小芯片堆叠，这种情况正在迅速改变。

“当现状不佳时，颠覆性变革更容易发生，”Cadence研发汽车研究员 Chuck Alpert 说。“想想设计团队。他们可能知道出了什么问题。也许工程预算失控了，或者他们正在尝试新设计但没有工程技术。他们必须做一些颠覆性的事情。今天，我们看到设计复杂性激增、缺乏可扩展性。设计团队会遇到一些事情，迫使它们进行创新。这些都是现状不佳或正在走下坡路的情况。对于EDA公司来说，这种情况可能发生在你不是市场领导者的时候。你落后了，必须做一些颠覆性的事情来赶上。或者你可能一直是市场领导者，但代码库是用COBOL编写的，现在已经没人知道了。你将不得不做出改变，因为趋势正在下降，你处于不创新就灭亡的境地。”

创新的机会就在那里，尤其是在一种创新文化中。“人工智能和大型语言模型的出现能够带来很多变革，云计算也是如此，以实现快速扩展，”Altair的 Scapa 说。“商业模式——而不仅仅是技术——是你颠覆的一部分。对于EDA领域的初创公司来说，这真的很难，因为仅有两家公司占据了过大的主导地位。它们长期以来一直在收购和淘汰初创公司和竞争对手。这阻碍了创新。”

通过展望未来，可以识别和处理一些压力。“什么是颠覆周期？”Rabaey 问道。“很多这样的周期已初现端倪。路线图的好处在于，你可以识别出未来 10 年可能出现的问题。这就是学术界擅长的地方——研究这些路线图，并识别出可能由此出现的新范式。例如，扩张将持续 5 年，甚至 10 年。我们该怎么做？颠覆是你无法选择的。唯一走上颠覆之路的时候是你碰壁的时候，当你突然意识到‘我无法再前进了’的时候。我们必须重新思考我们的设计方式。一种可能性是开始思考第三个维度，在那里你将不同的技术层层叠加。最简单的方法是将旧架构映射到这个。但这不会给你带来太多好处。你必须重新思考如何使用它。”

有时，改变是外部强制的。“设计正在从芯片转向系统，”Banerjee 说。“如果目标是设计一款电动汽车，我的要求就不仅仅是 RTL 输入。我的设计要求是一辆电动汽车，它能在一秒钟内从 0 加速到 60 英里，续航里程为 500 英里，而且必须达到五级。这些就是我的要求。EDA 行业专注于设计芯片。你必须设计电力电子，这是一种电力电子模拟，结合电池、电机设计，然后是空气动力学工作量。这是一个多物理世界，非常复杂。之后你还需要软件，它必须从系统级规范中编写并自动编译，然后进行验证。”

EDA 中的人工智能

EDA 公司已迅速在其工具中采用某些形式的人工智能。“强化学习正被用于解决优化问题，”Synopsys 人工智能解决方案高级总监 Stelios Diamantidis 说。“人们现在使用强化学习进行实验、收集数据、建立更好的指标来推动优化，并自动执行这些优化。该技术本身可以应用于其他问题。我们从优化物理布局和平面图、某些拓扑中的时钟、DTCO 和其他物理类型的应用程序开始。从那时起，我们将这一原则应用于验证等问题，其中重新排序测试或更改种子可以帮助你加速覆盖或追踪错误，而在测试中重新排序向量可以帮助你更快地实现制造测试的覆盖率。”

但人工智能不太可能取代现有的 EDA 工具。“我认为，我们拥有优秀的 EDA 产品，我们的客户正在使用这些产品，因此现状是积极的，”Alpert 说。“如果我们决定使用人工智能制造新产品，我们将付出巨大的代价。也许从长远来看，我们会得到一些好处。如果我们让整个产品团队都说，让我们重新开始，打造一些新的东西，那将是非常痛苦的。最终，你可能会成功，但与此同时，你将付出巨大的代价。”

EDA 行业的关键在于保持连续性，确保为客户提供他们推出下一款产品所需的工具。“我们必须保护我们价值 20 亿美元的业务，”Banerjee 说。“一家初创公司从零开始，但客户仍然很难接受新技术来解决他们的问题。这不仅仅是 EDA 的挑战，而是整个行业的挑战，这就是为什么我看到了第三个愿景——与初创公司合作，然后收购已经拥有这类技术的初创公司。”

Alpert 对此表示同意。“颠覆性技术对几乎所有行业来说都是难以应对的，不仅仅是 EDA。他们可以投入一些资源，但不要太多。或者他们可以等待其他人创新并购买它，这是另一种策略。”

但是创业公司都去哪了呢？“在过去的 10 年或 20 年里，现有的生态系统都已经崩溃，”Rabaey 说。“曾经有一段时间，EDA 有一个充满活力的研究空间。去所有顶尖大学看看，他们都在研究工具。如今你再也找不到它们了，它们不存在了。也许你会想，学者们可以发表论文，但他们不会制造出那个产品。创业公司的作用确实很重要。在 90 年代，这是一个充满活力的世界，正是这些小公司想出了主意并加以尝试，但这也已经崩溃了。不过，生态系统可能会再次崛起。”

GenAI 的影响

大量投资涌入 GenAI，但在 EDA 领域却少得多。“GenAI是真实存在的，将为我们带来实实在在的成果，”Scapa 说道。“但炒作太多，投资金额与我们今天看到的回报不符。GenAI 将会先出现下滑，然后出现典型的缓慢上升，因为 GenAI 是真正的大生意。我们也在用传统机器学习做一些有趣的事情，这也具有巨大的潜力。”

但 GenAI 在 EDA 中的真正潜力似乎有些不切题。“EDA 不会创造设计，”Rabaey 说。“但它是由设计考虑驱动的。AI 将成为设计流程中颠覆性的一部分。AI 将成为一种设计工具，帮助我们探索巨大的选择空间。”

第二代生成式人工智能正在解决自动化问题。“具体来说，是一些关键的工业挑战，”Synopsys 的 Diamantidis 说。“这更多地与经济、地缘政治压力、人才可用性以及用更少的资源做更多事情的能力有关。在第二波浪潮中，我们能够获取数据或设计环境，我们能够利用这些数据在非常大的范围内训练模型。然后，我们能够将它们情境化，以适应特定于设计师活动的不同任务。我们确实正在解决人机交互问题。我们现在可以探索极大的复杂性。”

也许 GenAI 最大的投资回报就是生产力。“我们致力于指导人们完成开发过程，帮助他们利用生成式人工智能提高解决问题的能力，”微软高级首席工程师 Erik Berg 表示。“这些数据从何而来？我相信我们拥有的最丰富的数据来源就在我们工程师的头脑中。我正在构建的工具不仅为我们的工程师提供解决方案，还同时从他们的头脑中抓取其他数据和结果。”

设计界的许多领域都出现了这种情况。亚利桑那州立大学助理教授 Vidya Chhabria 表示：“GenAI 绝对可以帮助非专家用户变得更好。它可以帮助非专家用户提出正确的问题——更具有思想性的问题。它可以帮助非专家用户快速掌握新设计和新 EDA 工具。也许它还可以帮助专家用户提高工作效率或加快工作速度。”

但这些会造成颠覆吗？“尽管有这么多技术，但将芯片放入插槽仍然需要四年时间，”Diamantidis 说。“我指的是收集需求、架构探索、设计输入、验证、插入测试、准备用于硅诊断和数据挖掘的仪器——整个过程。这需要大量的人力、金钱和时间，这意味着它并没有真正改变半导体领域的基本原理或经济状况。”

结论

颠覆很难，而且往往在它变得明显之前不会被发现。许多人一直在关注技术的进步、设计实践的变化以及从芯片到系统的格局变化。此外，每个人都相信所有形式的人工智能都可能有助于解决这些问题。从今天的形势来看，似乎没有什么是颠覆性的。

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。

如有任何异议，欢迎联系我们。

如有侵权，请联系删除。

往期精彩回顾

2021年的第一场雪！英特尔2020年Q4财报解读

利用硬件辅助验证工具加速功能仿真

博文：裸片尺寸和光罩难题——光刻扫描仪吞吐量的成本模型

博文速递：Race condition in digital circuits

http://mp.weixin.qq.com/s?__biz=Mzg5MzY4Njc1Ng==&mid=2247500860&idx=3&sn=21fa14e7bdfa808ba14c3edf5398888a

IP与SoC设计

《IP 与SoC》依托无锡国家“芯火”平台，全面报道全球IP与SoC设计技术的发展和国内外应用经验，为中国IC设计行业搭建一个IP与SoC资讯交流、产业促进的平台，为中国IC设计行业提供IP与SoC专业知识及相关信息支持和服务。

最新文章

博文速递：Clock relationship between reset synchronizer

一万五千字详解什么是芯片流片

vim进阶01: 修改匹配关键字，让编码更高效

c语言音频.wav读写示例

博文速递：Can hold check be frequency dependant?

芯片设计五部曲之四 | 电磁玄学宗师——射频芯片

什么是时钟偏差—Clock Skew？理解时钟分配网络中的时钟偏差

嵌入式Linux：信号集

博文速递：Stacked MOSFETs in analog layout

将ASIC IP核移植到FPGA上——如何测试IP核的功能和考虑纯电路以外的其他因素

揭秘OTP与MTP：存储小秘密，一次性和多次可编程大不同

PCIe链路初始化和训练：FTS (Fast Training Sequence)

博文速递：Importance of CMP process

将ASIC IP核移植到FPGA上——如何确保性能与时序以完成充满挑战的任务

FOPLP v CoWoS: 先进芯片封装的下一个前沿

CPU微架构分析方法论Top_Down

FPGA在医疗方面的应用

博文速递：Manufacturing Effects: Introduction

vim进阶:200个终身受益的命令

聊聊Masked ROM

嵌入式Linux：常见信号的默认行为

博文速递：Metal Width Variation

SoC大厂涨价，拉开下半年芯片牛市序幕

嵌入式Linux：信号分类

博文速递：Stop the antenna effect from destroying your circuit

CPU 性能瓶颈何解？

嵌入式Linux：信号是什么？

PCIe Gen4 ltssm协商过程

博文速递：Effect of Threshold voltage

车规级CAN总线外围电路设计方案

利用find和xargs批量处理文件

PCIe 复位：必须了解的PERST#

博文速递：Data check timing paths

PCIe 复位：hot reset

嵌入式系统的20个特性

一文了解NPU是什么？

博文速递：Noise margins

CAN总线中可以挂载多少设备节点？

摩尔定律再进化，2纳米之后芯片如何继续突破物理极限

数字芯片设计验证经验分享：将ASIC IP核移植到FPGA上——更新概念并推动改变以完成充满挑战的任务

博文速递：Path Base Analysis (PBA) Vs Graph Base Analysis (GBA)

DFT技术系列讲解之 | DFT简介