隐藏在AI中的系统级研发效率密码：Machine Learning for Verification

宣布时间：2023-05-21 23:48来源：杨思超,芯华章研究院研究员

当下大规模的芯片已经可以包括凌驾 100 亿个晶体管，而芯片研发的生产效率（Gates/Day）却没有步伐坚持同步的提升，两者之间保存一定距离。有研究标明，验证在某些项目中的耗时占比甚至凌驾70%，验证的效率因此成为了要害中的要害。

微信图片_20230520063539.png

芯片规模和生产力的矛盾

另一个问题是本钱。由于芯片的研发本钱很是之高，单次研发失败的概率理应被降到最低，验证的重要性自然不言而喻。因此现有EDA工具需要不绝立异，来提升设计和验证效率。其中一个重要的立异技术点，就是引入数据驱动的要领来革新现有的算法和流程。

通常我们谈论的人工智能（AI）技术，主要分为机械学习（ML）和深度学习（DL）两种路径。其中，机械学习技术是现有和EDA结合更紧密的偏向。为什么是ML？简单来说，ML技术就是利用基于统计或盘算机理论的模型在历史数据中掘客某种模式，然后在目今数据中识别是否保存该模式的技术。理论上，只要一个系统里保存无法被明确或精确界说的函数关系，又保存大宗的视察或实验数据，就可以使用ML技术来学习。

而EDA领域里正好保存许多这样的系统。特别是古板的启发式战略面对日益庞大的系统时，盘算效率逐渐趋于瓶颈，大宗数据无法获得有效利用，通过引入ML技术，历史数据获得利用形成经验知识，再结合现有的技术可以进一步加速问题的求解，就可以辅助研发人员做出更优更高效的决策。

AI如何融入EDA？

看起来，我们似乎已经找到了这条通往谜底的隐秘路径，但现实却更为庞大。

出于技术的天然契合性，目前因为EDA后端的设计和制造涉及到的数据类型，天然地可以被体现为几何图形，因此很是适合把原本应用在图像上的ML和DL技术做横向的迁移。可是，前端设计以及验证里的问题，通常都是布尔函数表达下的组合搜索问题，这一类问题是目前公认ML或者DL很难求解或者精度上还没有能逾越古板要领的问题。

简单来说，验证的目的是——在有限时间内，尽可能完整地笼罩到所有的系统状态，同时，尽可能多的找出功效或性能上的过失（bug），并进行修复以确保系统的正确性。

我们可以依据其实现的方法，大致分为两类——动态仿真和形式验证。目前在仿真验证里，关于融入AI的研究主要围绕如何通过ML提升测试效率或调试效率；在形式验证里则是围绕提升底层SAT求解器效率或上层模型检查效率的ML研究事情。

微信图片_20230520063621.png

ML主题的文章里各细分领域的占比：

后端上的研究增加明显

最大的挑战来自？

EDA行业的标准流程经历了几十年的生长，相对完善，目今ML技术通常是作为一个古板功效�？榈奶娲�，而一个end2end的ML计划很难被接受，建�？占渥匀换崾艿较拗�。

一方面，ML模型的引入可能会导致数据宁静和模型所属权的问题。好比说客户A的设计和供应商的IP可能会在不知情的情况下被ML模型学习到，再在模型提供效劳的时候被客户B使用。

另一方面，IC领域的生长迅速，每一代技术节点对应的设计与制程都纷歧样，如何提高目今训练的ML模型的有效期是必须面对的挑战。

最后，数据有限、精度不高、解释性欠好等问题，依然在限制AI技术的应用。好比现在的AI技术很难给到用户其预测结果的合理解释，使得用户关于其预测结果的信任度不高，特别是在IC研发这样宁静性要求很是高的领域，这一问题可能会被进一步放大。

系统级需求，驱动ML应用的三大偏向

技术生长的挑战，最终照旧需要通过技术生长来解决。

未来ML的技术需要朝着 reusability + evolvability + Interpretability 的三大偏向继续生长，才华解决以上这些应用的痛点。同时，为了更好的支撑ML技术在验证里的应用，我们应该提倡系统级别的协同设计，进而生长出对ML更为友好的基础设施，例如：生成更可见、包括更多关系的数据，构建更适合于ML数据存放、使用和更新的数据货仓，提供ML模型更多和EDA系统交互及请求的权限等。

作为撬动芯片及舷立异的要害杠杆，EDA近些年在智能化、自动化的偏向上一路狂奔，但属于这个领域的 “ChatGPT”或者 “AlphaGo”级别的突破，目前还没有泛起。

唯一可以确定的是，AI与EDA的立异融合，绝不是简单形式上的增加，也不是摆在桌子上的自助餐，依然没有可以完全依循的标准谜底，而是保存于各个隐秘的角落，亟待工业与学界的深入探索。

上一篇推翻性的忆阻器设计

下一篇半导体行业年报盘点：规模突破万亿元需求下行待筑底反弹

分享到：

yh533388银河

隐藏在AI中的系统级研发效率密码：Machine Learning for Verification