AI革命EDA，短板在哪里？

公众号记得加星标，第一时间看推送不会错过。

来源 ： 内 容编译自semiengineering 。

受到ChatGPT等生成式AI模型的启发，世界发生了改变。这些模型非常适用于副驾驶（copilots）和智能体AI（agentic AI）等领域，但它们在EDA（电子设计自动化）工具中的应用前景尚不明朗。那么，什么才是合适的应用方式？AI能否让EDA工具更快速、更出色？

在过去的40年里，EDA一直在推动摩尔定律的发展，这要求不断突破已开发的许多算法和技术的极限（见图1）。在某些情况下，算法可能早已存在，但缺乏足够的计算能力使其变得实用。基于AI的解决方案也同样如此。

“这对EDA来说并非新征程，”Cadence公司战略与新业务部门总监Rob Knoth说。“这是我们几十年来一直在努力的方向。随着技术的每一次进步，工程师们都迫切地拥抱自动化。没有这些自动化，他们根本无法按时回家与家人共进晚餐。每一代技术的更新，工作量和复杂性都在呈指数级增长。”

图1: EDA和算法的演进。来源：Cadence

在EDA内部使用AI并不新鲜。最早的开发者之一是Solido Solutions（现为西门子EDA的一部分），该公司成立于2005年，远在生成式AI问世之前。该公司当时就使用了机器学习技术，还有其他一些例子是基于强化学习的。“早期的工具主要关注如何通过更少的仿真次数获得更好的设计覆盖率，而不是采用暴力穷举法，”西门子EDA定制IC部门副总裁兼总经理Amit Gupta说。“这些都是在工具内部非常有意义的应用。”

许多其他工具也紧随其后。“想想我们在过去五年中发布的所有技术，”Synopsys公司高级总监兼AI产品管理负责人Anand Thiruvengadam说。“这始于基于强化学习的优化技术。”

每家公司都采用了他们认为有意义的技术。“我们利用了规划算法，”Breker Verification Systems公司的首席执行官Dave Kelf说。“这是一种广泛使用的智能体方法（agentic approach），它在测试生成中为状态空间探索增添了智能，而不仅仅是简单的随机决策。”

但就在两年多前，AI的感知能力实现了质的飞跃，这得益于计算能力的爆炸性增长。生成式AI变得触手可及，最近又引入了实现智能体AI的工具和平台（见图2）。尽管围绕其经济效益可能存在疑问，但计算能力的增长目前没有放缓的迹象。

图2: AI的类别及其用例。来源：西门子EDA

然而，这些进步并不意味着每一项新技术都比已有的技术更优越。“别忘了底层数学，”Cadence公司的Knoth说。“AI是一项了不起的技术，但孤立地使用AI并不总是获得答案最有效或最精准的方法。如果你有数学和物理学来描述一个系统，通过计算来获得答案是一种极其有效和精确的工作方式。AI可以帮助加速这个过程。AI可以从我们的计算中学习。但你不能放弃这些第一性原理。你不能放弃对这个领域的真正了解，因为这才是真正的超能力。当你思考它们如何相互强化和帮助时，真正的奇迹就发生了。”

大多数EDA工具仍然是基于规则的。“你仍然需要处理一些最终目标和最终约束，”Arteris公司的首席营销官Michal Siwinski说。“在这种框架下，AI将存在于工具内部和外部。两者都是必需的，但它们的行为方式会不同。考虑到已经有许多工具在内部采用了AI，并且展示出持续且可信的良好结果，关于AI的这个疑问在本世纪初就已经得到了解答。从那时起，我们只是在不断地完善和改进它。”

EDA的独特需求

任何芯片设计失败的代价都非常高昂，这意味着准确性和可验证性是EDA工具中两个备受推崇的特性。“他们不希望AI成为一个黑盒解决方案，吐出一个答案，然后你不确定它是否正确，”西门子的Gupta说。“你希望能够透明、清晰地看到它是如何得出解决方案的，从而使其可以被验证。它需要能够处理广泛的设计问题，而不仅仅是特定案例，需要具有普遍的鲁棒性。”

在处理优化问题时，正确性是一个更容易解决的问题。“基于强化学习的优化技术本质上就是为了帮助解决这个问题，”Synopsys公司的Thiruvengadam说。“通常在芯片设计中，你面对的是一个非常大的设计空间或优化空间，你必须有一种有效的方法来探索这个空间，以得出正确的解决方案，最好的答案，或者一组最好的答案。这是一个非常棘手的问题。这就是AI可以提供帮助的地方。”

设计优化可以提高工程师的生产力。“这有助于让一名工程师在子系统层面变得异常高效，”Knoth说。“这有助于将一个在某个模块上成功的‘配方’移植到另一个模块上。这是关于在短时间内提供更好的PPA（功耗、性能、面积）的艰苦工作，而不需要大量的新工程投入。这并没有使用大型语言模型。它用的是强化学习。你不能只被最新的‘闪亮’事物分心。这关乎于在你几十年里所建立的‘卓越’基础上继续发展和掌控它。”

将错误的模型应用于问题是麻烦的开始。“许多现有公司对AI技术感到沮丧，基本上只是将通用的GPT模型简单封装成普通的大语言模型调用（vanilla LLM calls），”Normal Computing公司的产品经理Hanna Yip说。“它们不理解设计验证工程师所处的特定上下文和代码库。这会导致幻觉和上下文缺失，这在芯片验证中是致命的。AI需要利用的不仅仅是这些基本模型。在代码库内部进行形式化建模和智能体方法才是正确的方法。”

问题的规模超出了某些商业产品的能力。“我们不是简单地使用现成的AI、开源算法，并将其应用于EDA，”Gupta说。“相反，我们考虑的是我们正在处理的问题规模。我们谈论的是每个器件有七个工艺参数，来自代工厂。我们谈论的是数百万个器件。我们谈论的是巨大的维度问题。工具还必须能够理解EDA中存在的不同模态。有原理图、波形、Excel表格，它们必须同时了解芯片设计和电路板设计。”

即使有了新的方法，目标也没有改变。“你仍然在每项技术内部拥有决策树，”Arteris公司的Siwinski说。“在这里面，你可以替换一些‘笨拙的启发式算法’（dumb heuristics）。你能否通过强化训练做得更好？或者使用AI技术进行更好的聚类和分类来提前进行一些分析？有‘笨拙’的分析方法，也有‘聪明’的分析方法。我们能否确保所有技术中的启发式算法变得更好并持续改进？简短的回答是肯定的。几乎所有现代工具都在一定程度上做到了这一点，因为你只是在改变用于执行任务的算法类型和数学类型。无论是设计、验证还是实现，你只是在改变算法。”

有好的方面，也有一些坏的方面。“你需要数据来训练模型，”现在是Synopsys一部分的Ansys公司总监Rich Goldman说。“这给了现有的IC设计公司和现有的EDA公司巨大的优势。这会使初创公司更难参与到EDA工具的创建中。他们更难从模型中获得这种优势。未来会有一些通用的模型和大语言模型可以被他们利用，但无法达到老牌公司的程度，因为老牌公司拥有数据。”

信任是使用AI工具的关键难题

“签核（Sign-off）关乎信任，”Knoth说。“准确性在其中起着巨大作用，但这真的是随着时间的推移、一代代技术的发展而建立起来的信任，证明当我从系统中得到这个数字时，我可以安全地据此做出决定。这是非常重要的部分。计算是形成这种信任的基础，对工具如何运作的粗略了解，能让你知道当它面对从未见过的事物时该如何应对。”

透明度是信任的关键。“当前的AI解决方案只是黑盒子，”Normal Computing公司的产品经理Prashant说。“需要一种能生成辅助材料（collateral）的方法，让AI的推理过程变得可见。这可以通过形式化模型、本体论和链接的测试计划来实现，让设计验证工程师能清楚地看到工具的输出如何映射回规范。这种可解释性是建立对AI信心的基础，尤其是在像芯片设计这样高信任度的环境中，你需要确信这不仅仅是黑盒子的输出。”

工具需要解释其工作原理。“在处理四、五或六西格玛问题时，我们会绘制一条AI收敛曲线，”Gupta说。“然后用户可以看到AI在做什么。它进行一些模型训练，然后开始寻找那些六西格玛点。它预测最坏情况，并针对该点运行模拟进行验证。然后它会找到第二坏点、第三坏点。在某些情况下，它可能会出错，但随后它会在底层重新运行一些训练，以建立一个更准确的模型。这是一种自适应模型训练方法，不断改进，直到它有足够的信心找到所有那些异常值。尽管如此，可能仍然有一两个异常值它没有找到，但这比手动方式要好得多，因为手动方式需要进行数百次模拟和外推。它正在接近，几乎和暴力穷举法一样好。”

业界担忧的一个问题是幻觉。“当我听到人们谈论AI产生幻觉时，我只把它看作是一个‘垃圾进，垃圾出’的问题，”Siwinski说。“这只是数学。当我们在行业内使用这项技术时，我们必须确保我们喂给它的训练数据集是正确的。否则，我们可能会得到错误的答案。它需要制衡。你不能随便给它任何东西。在面向消费者的世界里，你可以让AI根据现有的任何东西创造出疯狂的图像。那是一个极其不受约束的问题。在我们这个领域使用AI时，我们较少倾向于出现幻觉。”

不要指望一个工具能解决所有问题。“硬件需要全系统一致性，”Normal Computing公司的产品工程负责人Arvind Srinivasan说。“你不能孤立地生成一部分，并希望它在整体上是合理的。这与语言非常不同，语言可以独立写一个段落。除此之外，数据量也不够。我们没有数万亿的例子。即使在一家公司内部，IP也被锁定在孤岛中。你不能只做监督学习。你需要能够整合关于系统约束的先验数据，同时还能从这些数据中学习的算法。标记成本很高。你无法支付芯片工程师六位数的薪水去注释训练集。没有真实数据（ground truth），验证AI结果需要深厚的行业专业知识，这使得评估比在消费领域困难得多。”

有时你需要AI打破常规。“AI技术让我们能够处理那些更模糊的问题，”弗劳恩霍夫IIS（Fraunhofer IIS）自适应系统工程部门的团队经理Benjamin Prautsch说。“但同时，结果也会更加模糊。因此，必须仔细检查/测试。用户的积极经验和看到的证据才是关键。例如，验证工具被视为‘黄金工具’，这才是市场的观点。只有拥有出色的往绩（track record），才能说服人们，而这仍有待证明。”

但有时你希望AI能跳出明显的框框。“AI在检查或消除偏见方面非常出色，你可以给它更多的自由度，”Siwinski说。“它仍然需要遵守一些规则，你仍然需要达到一些性能要求，所以你不能为所欲为。但是，只要你做到了，你能否让AI给你一个与专家创造的不同答案？在某些约束条件下，你希望看到这种创造力。你希望探索更广阔的设计空间，有时它会找到一个不同且更好的答案，因为工程师是基于过去最好的经验做出了某些假设。这些假设是有效的，但这并不意味着它是唯一的实现方式。”

价值创造不只一种方式。“人们使用AI工具并不是因为它们总是正确的，”Normal公司的Yip说。“他们使用它们是因为与传统方法相比，它们节省了大量时间。真正的挑战是确保工程师不会浪费时间去审查糟糕的输出，并为他们提供正确的工具来检查和修复它们。这里的框架应该是，‘它为工程师节省的时间是否超过审查所需的时间成本？’如果答案是肯定的，它就能赢得信任。”

现有工具也尚未完全赢得信任。“硅工程师对现有的EDA设计工具并没有内在的信任，除了那些非常基本的功能之外，”Normal公司的硅主管Marc Bright说。“我们花费大量时间运行其他工具并编写自己的工具来检查它们的输出质量。当AI工具减少了生成这些输出所需的精力和时间时，我们就能花更多时间评估和完善那些潜在的更好解决方案。”

数据不足是AI学习的障碍。部分问题在于AI没有足够多的例子可以学习。“低倾向性语言（Low propensity languages）是指那些缺乏足够的数据和资源来进行有效自然语言处理的语言，”Knoth说。“如果你要求AI用英语写一份文档，它已经接受了海量英语语料的训练。所以如果你让它生成技术规范，那是AI已经有大量数据可以借鉴的东西。如果你让一个大语言模型生成C代码，这也是可信的。它的训练数据量较小，但仍然有大量公开可用的C代码，并且有方法可以验证生成的代码。让我们继续往下看——Verilog的公开训练数据量只是C代码的一小部分。再往下看——Skill、TCL、UPF。我们这个行业充斥着这些语言，而用于训练模型的高质量、公开可用数据量是个挑战。在每一家部署这些技术的公司内部，他们都拥有一个相当大的宝库，但如何以计算高效的方式将这些专有IP应用到大语言模型中，并非易事。”

https://semiengineering.com/the-limits-of-ais-role-in-eda-tools/

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

今天是《半导体行业观察》为您分享的第4178期内容，欢迎关注。

加星标第一时间看推送，小号防走丢

求推荐