DSO.ai
由人工智慧驱动的设计应用
瞭解更多 →
意法半導體與微軟如何使用 AI 驅動技術優化 PPA
現今裝置能夠執行的功能時常令人感到驚訝。每隔幾個月，设计人員似乎就會挑戰現有功能的極限，並在幾個月後突破極限。不僅萬物更加密切相關，而且體積變得更小，同時功能更加強大。
然而，隨著裝置尺寸變得更小，设计人員得以持續突破被視為可能的功能極限的能力卻變得更加艱鉅。創新越來越難以實現。工程资源漸漸稀少，更加劇這個困境。預計到了 2030 年，半導體產業將會遇到大量工程人才短缺。眾所周知，人工智能 (artificial intelligence, AI) 將會在因應這些晶片產能和創新挑戰時，發揮至關重要的作用。
公司如何利用 AI 在這個嚴苛的市場環境下保持競爭力？另一方面，云端运算是否也具有影響力？
這些都是今(2023)年新思科技矽谷 SNUG 使用者大會中備受關注的主題。依據 SNUG 的演講主題，我也就近期推出「以AI驅動的 EDA技術網路研讨会系列」探討的兩個個案研究，討論以AI 驅動设计空間優化如何在提高晶片设计產能的同時，協助實現最佳功率、效能及面積 (power, performance, and area, PPA)。在本篇部落格文章中，我將會分享意法半導體 (STMicroelectronics) 與微軟 (Microsoft) 個案研究的概觀。
意法半導體：利用 AI 將晶片设计產能提高 3 倍
意法半導體 (ST)在新思科技矽谷 SNUG 使用者大會中發表演說，描述 AI 如何促成並實現一項史無前例的Arm Cortex-A510 專案，並針對记忆体、佈局規劃和路徑群(group path)等设计相關的參數進行探索，並產生許多新排列；這項设计對设计團隊來說，是個全新的挑戰，而成功在 7nm 製程節點上實現，意味著要探索的搜尋空間有10+25這麼大。針對如此巨大的空間進行探索令人怯步，且無法用傳統方法來完成。ST 選擇使用 AI 驅動的 草榴社区 DSO.ai?(设计空間優化)解决方案來克服這些挑戰。DSO.ai 可以同時最佳化 PPA，取得最佳平衡，並探索一系列设计選項。
為能完成這項任務，首先要選取參數值。接著，DSO.ai 中特殊演算法將產生一組 PPA 的結果。系統得以學習根據第一次迭代中所學到的內容，獲得正向或最佳結果。這套學習系統可實現更高效且高度可擴展 PPA 搜尋空間探索。
在 ST 的案例中，DSO.ai在進行 3,000 回合的運作過程中，能夠搜尋涵蓋整個空間多達180 種的排列，達到目標頻率和最佳功率耗損(動態功耗/漏電功耗)，同時維持所需的佈局規畫尺寸。整體而言，能夠將產能提高3 倍。
ST分享的這個案例也能夠在雲端利用DSO.ai執行，以節省大量運算资源和基礎設施的設置時間。這個雲端解决方案是在微軟 Azure 雲端上實施，利用通用資料結構讓使用者能夠輕鬆輸出/匯入資料庫，並從遠端進行工作排程。基於雲端的解决方案讓 ST 能夠擴展需求，也讓他們團隊之間合作更加緊密。
微軟：降低功率耗散高達 15%
如同ST 的案例，微軟利用DSO.ai 來降低功耗、提高晶片利用率，並提升效能。微軟的主要目標為優化功率，採用了使用 草榴社区 Fusion Compiler 的零餘裕(zero-margin)实体实作流程；運用最新的 Fusion Compiler 技術進行高度優化，並根據设计人員的设计知識對客製化資料路徑進行優化。
此外，微軟也利用DSO.ai進行设计空間探索自動化。在初始设计中，採用 DSO.ai 作為「冷啟動」(cold start)。然而，隨著设计進行修改，隨後執行 DSO.ai 時會使用之前所學到的內容，進而發生「暖啟動」(warm start)。同樣地，隨著進行更多回合的實例運作，機器學習 (machine learning, ML) 模型也繼續學習並加速收斂，同時降低整個设计週期的運算要求。在沒有降低其他指標的情況下，達到在所有设计區塊中提升10% 至15% 的功率結果。新思科技 DSO.ai 技術的關鍵是其學習能力，讓後續衍生的设计能夠從中受益。
新思科技网路研讨会：
欢迎随选观看一系列探討以AI驅動晶片设计及案例分享的網路研讨会，瞭解更多有關草榴社区 DSO.ai的詳細訊息。