【多物理場技術專欄】人工智慧正在改變電子設計的一切！

作者: Paul McLellan
參考原文: DesignCon: Ben Gu's Keynote, Breakfast Bytes- Cadence Blogs

一年一度的DesignCon於1月底、2月初在美國矽谷登場，Cadence多物理系統分析研發副總裁顧鑫(Ben Gu)也在大會中發表了一場專題演說，題目是「設計智慧機器的智慧」(The Intelligence to Design Intelligent Machines)，與現場聽眾分享人工智慧(AI)結合系統級設計工具的最新趨勢。

Ben從遠古時代的歷史開講：首先，人類使用肌肉的力量，接著又加入了大腦的力量，因此能開發出各種工具──先用石頭製作，再來是青銅，然後是鐵。最終，我們學會了利用機器的「肌力」，像是挖掘機與拖拉機；甚至還懂得利用機器的「腦力」，即能持續進化的電腦。如今，我們已經擁有足以實現AI的強大電腦；數十年來AI的基本想法並沒有太多改變，不過我們已經有夠強的CPU與GPU能實踐那些想法。

然後Ben轉向討論Cadence智慧系統設計(Intelligent System Design)中的AI。儘管我們恐懼AI會讓所有人被淘汰，但其機會在於AI能讓我們更具生產力。基本的預期是，AI技術將發揮作用，我們將獲得更好的PPA (功耗、性能與面積)、更好的驗證收斂、更快的設計週期等等。



數十年來，EDA工具已經成為設計工程師生產力的推手。回顧平面IC第一次被發明的時期，人工設計真的是需要耗費大量人工：先得在紙上繪製設計草圖，光罩需要紅寶石切割，而整個製造流程就像是手工打造陶器。然後我們擁有了支援電晶體層級設計、多邊形推送(polygon-pushing)佈局的編輯器，像是Calma GDSII與SPICE (或是類SPICE的其他工具)電路模擬軟體工具；這讓我們的生產力大致提高了一個等級。

更高一個等級的生產力提升來自於以單元(cell)為基礎的設計，也就是一種以合成與自動化放置/繞線為基礎的設計流程。我想所有人都預期我們會邁進更高層次的設計語言抽象化，但那從未發生；再高一個等級的生產力提升是來自於功能區塊(blocks)的再利用，在一家公司內部被稱為設計重複使用(design reuse)。某間公司打造了可重複使用的功能區塊，也就是IP，也能讓另一家公司部署。而最新一個等級的生產力提升，將來自於以AI基礎的EDA工具。

Ben接著談到Cadence以AI為基礎的EDA工具在不同領域的運用經驗；如上圖是一個SoC驗證失敗的除錯案例。遵循DesignCon專題演說的規則，Ben並未提及任何產品名稱，不過Cadence的AI驗證平台Verisium就是鎖定這個領域，包括能確定最重要的錯誤優先順序、追蹤錯誤、發現其根源，然後修正問題(令人驚訝的是，一旦充分了解問題所在，這個步驟通常會是最容易的)。

Verisium奠基於Cadence的整合型企業數據和AI大數據平台之上，並與Cadence 驗證引擎自然整合。透過採用Verisium，所有驗證數據，包括波形、覆蓋範圍、驗證報告和文件，都可匯集於Cadence.AI平台；利用機器學習(ML)模型，並從所收集的大數據中挖掘其他專有指標、啟用新的工具，從而顯著提高驗證效率。

另一個案例是數位化全流程。雖然Ben在專題演說中不能提到產品名、但在這裡扮演關鍵角色的Cadence產品是Cerebrus智慧化數位晶片設計工具；這是一款以機器學習為技術基礎所開發的新型工具，可實現數位晶片設計自動化和規模化，不只能以更快速度產出結果，還能產出更好的結果。以往的設計方法會花費工程師好幾個月時間，利用Cerebrus，一位工程師只要10天就能取得20%的PPA提升(見下圖)。

請特別注意它節省時間的效果，就算沒有PPA提升，能從幾個月縮短成10天就能改變遊戲規則；而如果它同樣還是得花費幾個月時間，20%的PPA提升也能改變遊戲規則。兩個同樣都能改變遊戲規則的元素同時發生…豈不是能改變市場競爭局勢？

Cerebrus是Cadence數位全流程多元產品的一部分，能與包括Genus合成解決方案、Innovus設計實現系統、Tempus時序簽核解決方案、Joules RTL電源解決方案、Voltus電源完整性解決方案以及Pegasus驗證系統等既有產品無縫協作，以提供快速的設計收斂途徑以及更佳的可預測性。



這裡還有幾個案例。如上圖所示，請注意生產力的提升不是5%，而是五倍。某些案例的功耗降低程度相當驚人。而一顆晶片的洩漏電流若有28.5%的改善，對於電池供電裝置的待機時間會是非常大的進步(也就是例如你的手機開機但是未使用，只是在等電話或是簡訊進來)。



Ben在演說中還舉了設計流程中其他部份的更多案例；如上圖是一個非常不同的領域，即PCB佈線。同樣的，這個案例不僅在生產力上有大幅提升(從50小時縮短到20分鐘，速度是150倍的提升)，PCB走線長度也縮短了16%。



以上所有Ben提到的設計工具、以及他因為時間不夠還來不及講到的更多工具，有一個關鍵的底層技術，就是資料平台──即Cadence.AI平台。像這樣的基礎AI平台要傳達的訊息之一，是最佳設計結果來自於使用全部可以無縫協同工作、全部都在相同資料上訓練的工具。借助Cadence.AI，Cadence能將橫跨AI驅動驗證平台Verisium、AI驅動數位晶片設計實作工具Cerebrus，和 AI驅動系統分析智慧引擎Optimality的數據與AI運算軟體創新統整在一起。

已經與Clarity 3D求解器以及高速訊號與電源完整性(SI/PI)平台Sigrity X整合的Optimality，以AI演算法取代傳統設計最佳化流程中的人工參與。由於Optimality可以在多個並行模擬中更快做出決策，設計者能以高於傳統人工方法10倍的速度完成他們的設計，在某些特定情況下甚至可以加速到100倍，而且通常能在20到50次反覆迭代中得到不錯的成果。當設計流程所需時間顯著縮短，也意味著能大幅加速產品上市時程。接下來Cadence還將把其他產品與Optimality整合，包括Celsius熱求解器。

最後在這篇文章中要傳達的訊息是：AI正在改變一切，讓生產力與設計結果品質都有大幅提升。但這還只是開始，當今的AI時代有一個非常明確的起始日期，也就是2012年度的ImageNet大規模視覺識別挑戰賽(ImageNet Large Scale Visual Recognition Challenge 2012)；這場活動標誌了神經網路方法在影像辨識上勝過了使用演算法的方法，被稱為「Imagenet時刻」，而且那不過是十年多一點以前。從那時候起，EDA演算法(還有很多在這篇文章探討範圍之外的領域)的方法就已經被完全顛覆。

(編輯: 多物理場技術編輯群)