草榴社区

人工智能 (AI) 与我们的日常生活息息相关，从消费设备到更广泛的应用领域，例如新药研发、气候变化建模和自动驾驶汽车。

础滨的一大优势是它能够从大量数据中迅速得出可行的方案，这一点也可用于提升芯片设计的效率。

每年一次的EDN “Mind of the Engineer” 研究表明，开发者们在项目工作量、资源限制和紧迫的上市时间方面感到巨大压力。

而础滨可被视为开发者的助手。尽管社会对机器取代人类有一定程度的忧虑，但在芯片设计中使用础滨可以作为一种策略以提升生产力，提高设计性能和能源效率。

芯片设计中础滨的应用近期受到了相当多的关注。

据《福布斯》近期指出：“芯片行业已经发展到由AI协助设计AI芯片的阶段，开发团队必须跟上半导体行业的发展速度”。芯片正变得越来越大，尤其是AI和高性能计算等新兴应用的芯片，以及承载这些应用的超大规模数据中心。Cerebras公司的晶圆级引擎 (WSE) 面积为46,225平方毫米，包含1.2万亿个晶体管和40万个AI优化的内核，是迄今为止面积最大的芯片。而让团队不断扩大规模完成工作量，同时保持业务的持续性，是几乎不可行的。

因此，AI提供了一种通过扩展来满足设计和业务目标的方法。以数字实现为例，这是芯片设计中最复杂的阶段之一。伴随着日趋复杂的硅技术的发展，布局布线 (P&R) 工具取得了十分显著的成果 —— 包括确定逻辑门和IP模块的放置，以及如何合理选择绕线的路径和互连层以完成所有布线连接。然而，布局布线流程的输入信息构成了潜在解决方案的一个巨大搜索空间，涵盖了功能（宏观架构）、形式（微观架构）和拟合（硅技术）。这些数据可能需要数周的实验时间，开发者必须即时做出复杂的决策。

更快实现笔笔础目标

AI在芯片设计中的一个颠覆性应用是设计空间优化 (DSO)，这是一种创成式优化模式，它采用强化学习技术自主搜索设计空间，以获得理想的解决方案。通过将AI应用于芯片设计工作流程，DSO有助于选择探索范围的大规模扩展，而大量影响较小的决策通过自动化方式做出。这种方法使得该技术有机会持续以训练数据为基础，并应用学到的知识，加速流片过程，实现功耗、性能和面积 (PPA) 目标。AI的一个关键优势是支持复用：针对一个项目而学到的知识可用于未来的项目，从而提高设计效率。