САПР в эпоху искусственного интеллекта

Журнал РАДИОЛОЦМАН, январь 2020

Joseph Sawicki, вице-президент подразделения САПР ИС в Mentor, Siemens Business

Electronic Design

Искусственный интеллект доказал свою полезность в различных приложениях, даже в области автоматизации электронного проектирования. И, судя по всему, еще большее влияние он окажет на технологию САПР в этом году.

По мере совершенствования и расширения сферы использования технологии искусственного интеллекта (ИИ), становится все более очевидным, что ИИ и его многочисленные производные (глубокое обучение, машинное обучение и т. д.) приведут к коренным социально-экономическим изменениям такого масштаба, которого мир не видел со времен промышленной революции. И хотя вопрос об этичности или неэтичности использования ИИ и его потенциальном влиянии на глобальные социоэкономики может быть спорным, ясно одно: искусственный интеллект, даже в зачаточном состоянии, уже сегодня все активнее используется для значительного усовершенствования способов решения ряда задач автоматизации, начиная от сбора данных, связи, робототехники, автоматизации производства и проектирования автомобилей, и заканчивая даже нашей небольшой, но мощной отраслью САПР интегральных схем.Короче говоря (и извините за смешанную метафору), мы выпустили джина из бутылки, и мы должны принять его с распростертыми объятиями. В 2020 году мы, безусловно, можем ожидать продолжения роста в разработке и внедрении микросхем и систем искусственного интеллекта.Чтобы помочь компаниям в развитии более сложных технологий ИИ, разработчики САПР электронных систем, такие как Mentor, a Siemens Business¹⁾, делают две вещи:

1. Создают инструменты разработки, помогающие компаниям быстрее создавать акселераторы ИИ.
    
2. Используют алгоритмы машинного обучения (МО) для усовершенствования инструментов проектирования микросхем, чтобы позволить потребителям выполнять свою работу быстрее и получать лучшие результаты.

Давайте посмотрим на них внимательнее.

---

---

Средства ускоренной разработки усовершенствованных систем ИИ/МО

В большинстве случаев ИИ начинается как математический алгоритм. Разработчики создают его с помощью математических инструментов, переводят в код C и затем запускают этот алгоритм на процессоре. Неизбежно, они обнаружат, что одни части алгоритма работают оптимально, тогда как другие – намного медленнее.

Вот почему наблюдается значительный рост инвестиций в решения для ИИ/МО акселераторов и развитие кремниевых технологий со стороны венчурного сообщества, а также крупных корпораций. Некоторые алгоритмы ценой компромисса в производительности и мощности могут быть реализованы на существующих архитектурах специализированных микросхем ИИ, но для оптимальной работы других (например, мобильных устройств) требуется специализированная логика.

Разработка правильной архитектуры ИИ для конкретного приложения требует таких инструментов САПР, которые позволили бы компаниям работать с более высокими уровнями абстракции. Мы начинаем видеть рост внимания к нашей технологии Catapult HLS (High Level Synthesis – высокоуровневый синтез) со стороны компаний, разрабатывающих ИИ-ускорители для своих систем на кристалле (СнК). Это позволяет архитекторам ИИ создавать свои математические коды, переводить их на C или SystemC и заранее видеть, какие части их алгоритма должны быть реализованы аппаратно, а какие программно. Тогда они могут прийти к идеальной архитектуре гораздо быстрее, не пытаясь сразу спуститься на уровень регистров.

После того, как определена идеальная архитектура и выбрана конфигурация оборудования, работающая наиболее подходящим образом, безусловно, лучший способ протестировать и усовершенствовать эту архитектуру – использовать решение для эмуляции, такое как платформа эмуляции Veloce компании Mentor. Это позволяет командам разработчиков не только выполнить прогон конструкции микросхемы в системе эмуляции, а затем точно настроить программную эмуляцию, но и иметь также возможность подключить эмуляцию к конечной системе, чтобы эмулятор выполнил общий сравнительный анализ на основе МО.

Многие из этих платформ ИИ все чаще будут нуждаться в высокоскоростном соединении. Таким образом, мы полагаем, что большинство СнК МО на самом деле будут СнК смешанных сигналов. Для этого потребуются инструменты, которые смогут более эффективно связать цифровые и аналоговые блоки, например, наше решение для моделирования Symphony AMS, являющееся независимой от поставщика средой разработки микросхем аналоговых и смешанных сигналов.

Поскольку многие из специализированных стандартных компонентов АИ, являющихся основой центров обработки данных и коммуникационной инфраструктуры, требуют максимально возможной производительности, я считаю, что мы увидим начало роста коммерциализации кремниевых фотонных устройств, которые перенесут фотонику непосредственно на кремний.

Усовершенствование САПР с помощью МО

В течение последних нескольких лет сотрудники отдела исследований и разработок Mentor во многом способствовали интеграции МО в наши собственные инструменты САПР. В настоящее время компания может предложить пять коммерческих инструментов, которые используют МО, чтобы помочь за меньшее время добиться лучших результатов. Позвольте мне немного углубиться в технологию и поговорить о МО в контексте улучшения инструментов САПР.

Как мы все знаем, МО бесполезно без данных. Чем больше данных получено, тем эффективнее МО может быть использовано для их классификации и разработки на основе этих данных чего-то значимого. Нам повезло, что инструменты САПР сами производят огромное количество данных. Процессы производства генерируют большие объемы данных, а пользователи могут создавать свои собственные данные и формулировать требования (для обучения). Таким образом, теоретически, недостатка в данных нет. На практике, при использовании МО для САПР возникает вопрос: какие наборы данных можно использовать эффективно, и для каких функций инструмента?

Пока у нас есть пять инструментов, которые используют дополнительные возможности МО, и большинство из них ориентировано на сферы физического проектирования, верификации и производства: МО для описания библиотек и моделирования, коррекции оптических искажений (OPC) в фотолитографии, моделирования литографии и моделирования химико-механической полировки. Этот сегмент EDA является очевидной отправной точкой для начала.

Например, инструмент Calibre OPC для коррекции оптической близости работает с базой данных физического проектирования. Каждый прогон кристалла производит миллиарды точек данных, доступных для анализа. Внедрив технологию МО в Caliber OPC, мы можем собирать данные об этих чипах, а затем использовать их для более быстрого получения лучших результатов при разработке.

При техпроцессе 7 нм для выполнения одного прогона для критического слоя клиенты используют до 8,000 процессоров, работающих от 12 до 24 часов. Используя машинное обучение, мы смогли сократить это время в три раза и ограничить увеличение времени, которое потребуется для генерации управляющей программы при уменьшении размеров структур, которое будет происходить в будущем (Рисунок 1).

Рисунок 1.	Требования к вычислительным ресурсам значительно снижаются благодаря машинному обучению Calibre OPC.

Это только один пример, но аналогичные результаты мы видим и с другими нашими инструментами, улучшенными с помощью МО. В настоящее время мы работаем над двумя десятками других проектов, ища новые способы, использования ИИ/МО, для ускорения и улучшения обработки огромного количества данных и получения лучших результатов. Скорее всего, для создания своих инновационных продуктов в 2020 году вы будете использовать еще больше инструментов САПР с расширенными возможностями МО.