人工智能正在推动芯片设计的新前沿
如果被折磨的工程师只是一个梗就好了。但事实是，工程师们一直报告说，他们面临着用更少的资源做更多事情的压力。工程人才短缺继续成为头条新闻，而这项工作正变得越来越复杂，范围也越来越大。虽然摩尔定律的放缓正在限制一些半导体的进步，但我们的数字世界继续对电子产品提出更高的要求。
工程师们如何才能制造出复杂的硅芯片来应对未来的挑战?
现在，有一种经过验证的解决方案可以提高工程生产率和结果的硅质量，甚至使以前不可能完成的事情成为可能。顺便提一句，所有这一切都来自一项正在推动芯片复杂性提高的技术:人工智能(AI)。
工程学上的创造力带来了诸如人工智能聊天机器人、手术机器人和自动驾驶汽车等进步。它还推出了解决方案，减轻了重复的芯片设计、验证和测试任务，使工程师能够专注于他们最擅长的事情:创新。
获奖的Synopsys对此DSO.ai™芯片设计的AI应用引领潮流，Synopsys推出了业界首个全堆栈、人工智能驱动的电子设计自动化(EDA)设计套件，现已推出功能验证解决方案(Synopsys VSO.ai)和硅测试解决方案(Synopsys TSO.ai)，未来还将推出更多功能。客户可提前获得Synopsys对此。人工智能技术报告了令人印象深刻的结果，从减少功能覆盖漏洞的10倍改进到IP验证效率提高30%。与此同时,DSO。人工智能最近完成了首批100次生产试制这是一个重要的里程碑，标志着人工智能进入半导体主流。
EDA工作流中的AI处理迭代和手动任务
在目前充满不确定性的全球经济中，半导体行业的竞争变得更加激烈。这些因素增加了对半导体功率、性能和面积(PPA)更好结果的需求。那些能够以更低的成本更快地优化这些指标的公司，有更好的机会上升到顶端。随着企业适应当今的经济现实，存在着潜在的人员配备压力，预计半导体工程人才的稀缺可能会阻碍该行业的发展。根据半导体产业协会到2030年，美国半导体设计行业可能面临2.3万名半导体工程师的缺口。
ai驱动的EDA设计套件提供了一种前进的方式，补充和增强工程团队的工作。根据德勤全球的数据，世界顶级半导体公司今年将在内部和第三方人工智能工具上投入3亿美元来设计芯片预计未来四年，这一支出将以每年20%的速度增长。该分析公司在一篇文章中指出，“人工智能设计工具使芯片制造商能够突破摩尔定律的边界，节省时间和金钱，缓解人才短缺，甚至将旧的芯片设计拖进现代时代。与此同时，这些工具可以提高供应链的安全性，并有助于缓解下一次芯片短缺。”
在每一个设计中，都有一些耗时的任务，这些任务是迭代的，有些冗余，但对于芯片的质量来说是必要的。人工智能技术可以承担(并增强)重复性任务，如设计空间探索、验证覆盖和测试模式生成。这为工程团队节省了大量时间，使这些专家能够专注于增值任务，如区分他们的产品和快速创建新功能或衍生设计。它还允许团队满足积极的上市时间目标，并利用现有资源容纳更多的项目。无论是新工程师还是经验丰富的资深工程师都可以从人工智能中受益，因为该技术为新工程师提供了更快的上手时间，并使资深工程师能够更快地实现更高质量的结果。例如，在一个给定的项目中，Synopsys。人工智能可以处理重复的工作，并对迭代的工具结果采取行动，同时工程师监督芯片质量，共同产生比单独人类更好、更快的结果。
智能芯片解决复杂挑战
设计师们正面临着众多挑战，从日益增加的设计复杂性到高级流程节点要求，再到包括cpu、移动设备、gpu、汽车和AI在内的多个垂直领域的电力预算缩减。例如，人工智能芯片需要与许多计算单元一起构建，以处理复杂的算法和大量数据，无论是在边缘设备还是在数据中心内的服务器上。为PPA优化如此复杂的设计，并确保芯片按预期运行是一项艰巨的任务，这对设计师来说正变得越来越具有挑战性。
这就是Synopsys这样的解决方案。人工智能改变了环境。让我们仔细研究一下Synopsys.ai的每个可用组件。
DSO。人工智能奠定了基础
DSO。ai是ai在芯片设计实现中的颠覆性应用。它可以自动搜索PPA设计空间以获得最优解决方案。通过将AI应用于芯片设计工作流程，DSO。人工智能促进了大规模的选择探索，这在以前是不可行的。
该方法为该技术创造了一个机会，可以不断地在训练数据的基础上进行构建，并应用它所学到的知识，最终加速完井并实现PPA目标。人工智能的另一个关键优势是支持重用:从一个项目中获得的保留知识可以用于未来的项目，为设计过程带来更高的效率。由于该解决方案在云中可用，因此客户可以利用更大的灵活性、可伸缩性和弹性来应对大量工作负载。用户报告说，生产效率提高了3倍以上，功耗降低了15%，模具尺寸大幅减小。图1展示了应用DSO的结果。高性能数据中心CPU。
VSO.aiStreamlines Last-Mile Efforts
VSO.ai帮助验证工程师更快地达到覆盖关闭目标并发现更多错误。数字设计可以运行的设计状态空间的数量几乎是无限的，这使得人们几乎不可能检查这些空间中的每一个，以验证设计将按照预期的方式运行。回归过程可能会运行数天，通过数千个测试消耗计算资源。通常情况下，最后一英里的关闭是非常劳动密集型的，对大量数据的人工分析在产生可操作的见解方面受到限制。
VSO.airevitalizes this process, examining the RTL to infer coverage while also highlighting areas where coverage is needed, saving substantial time and ensuring a high ROI on the tests.瑞萨报告称，在减少功能覆盖漏洞方面实现了高达10倍的改进利用Synopsys VCS®功能验证解决方案(Synopsys.ai的一部分)，使用人工智能驱动的验证，将IP验证效率提高30%。
TSO.aiTakes Away Tradeoffs
不断增长的设计复杂性和尺寸也拖累了硅测试过程。在评估自动测试模式生成(ATPG)工具的结果时，有三个关键指标需要考虑:
- 缺陷覆盖率
- 模式计数，与测试成本直接相关
- 运行时
传统上，对其中一个指标进行优化(通常是手工优化)会对其他指标产生负面影响。初次接触ATPG的人可能不太清楚如何调整工具以生成所需的程序结果。
相反，经验丰富的人可能会有偏见，导致他/她设置工具以实现特定的结果，这可能不是新设计的最佳结果。TSO.ai消除了运行多个副本的权衡Synopsys TestMAX™ATPG高级测试解决方案，自动生成测试程序，以增强缺陷覆盖率，减少测试模式，并加快得到结果的时间。
不可能吗?有人工智能在你身边
使用的固有优势之一硅芯片设计的人工智能随着工具从一个设计到另一个设计的学习，它们会变得更好。这对芯片设计界和所有依赖电子产品的人来说都是个好消息。人工智能可以让工程师更快地获得具有正确规格的正确芯片，并创建更复杂的系统来解决我们世界上的复杂问题。
了解更多
从这些最近的博客文章中获得更多关于人工智能驱动芯片设计和验证的见解:
