當前，越來越多的初創企業與大型半導體公司正爭相推出新型AI芯片。Synopsys、Cadence以及Mentor Graphics等電子工具與設計服務廠商，則希望尋求更多前所未有的方案，幫助設計師們加快產品投產速度。

有趣的點來了：目前各家公司采取的主流研發提速手段之一，就是利用AI技術協助構建更強大的AI芯片。其中，設計流程后端(即物理設計階段)對AI工具的支持表現得尤為成熟，而各早期采用者也得到了相當可觀的收益。

圖一：這是一塊英偉達Drive AGX Orin芯片，其結構極度復雜，包含多達170億個晶體管。有趣的是，目前業界正利用AI技術為此類芯片提供更高效的設計支持。

相關問題

很多朋友可能并不熟悉芯片制造的具體方式，這里我就用幾個常見問題進行說明。在確定了芯片的基本邏輯(往往需要耗費數月甚至數年時間)之后，接下來就是物理設計流程了——更具體地講，工程師們需要確定每個晶體管應放置在何處、不同晶體管之間又要如何互連。這個過程，被稱為布局與布線。現代芯片上往往包含數十億個晶體管，因此布局與布線的設計與測試往往需要耗費數名工程師長達20到30周的時間才能完成。一旦不小心出了錯，芯片的實際運行效率可能要比設計要求更低、功耗更高、成本增加或者壓根無法正常使用。但遺憾的是，并不存在一種百試百靈的“正確”芯片布局方法。面對這小小方寸，我們擁有成千上萬種可能的選擇，而研發人員的任務就是在芯片的三大主要設計指標中做出權衡：性能、功耗與面積(統稱PPA)。

實際上，設計團隊相當于面對著一個規模龐大的“搜索”難題：單是平面圖形搜索，就涵蓋驚人的1090,000 萬種可能性。與之對應，國際象棋中“只”包含10123種可能性，而圍棋則包含10360種可能狀態。之所以要用棋類作類比，是因為目前的AI軟件完全能夠以下棋的方式“玩轉”物理設計。雖然AI方案往往需要耗費巨量計算資源，但同時也能夠快速對多到難以想象的選項做出分類，優化參數實現一系列既定目標，從而高效為芯片設計找到最理想的PPA組合。

強化學習——攻克芯片設計難題的關鍵

AI領域存在一個無監督學習分支，被稱為強化學習(RL)，能夠以試錯方式探索并掌握解決問題的方法。具體來講，計算機會不斷“嘗試”一個個解決方案，并通過結果的趨好/趨壞來不斷增強該解決方案中的參數。在經過數萬億次的重復之后，解決方案終將收斂——這就代表著“最佳實踐”。

電子設計自動化(EDA)廠商Synopsys公司一直在與客戶聯手推進這方面試驗，并獲得了令人欣喜的結果。

圖二：設計團隊利用強化學習加快網絡芯片、移動芯片、車載芯片以及AI加速芯片等物理設計項目，并取得了驚人的成果。

圖二所示，總結了Synopsys及其客戶在復雜芯片設計當中完成的四個試驗性項目。平均來看，這些項目的完成速度比以往人工方式要快86%，一位數據科學家即可替代原本的四到五名專業設計工程師，且各個項目全部達到或者超過了既定的PPA目標。有趣的是，由AI生成的某些設計結果頗有反直覺的效果，會以人類設計團隊幾乎不可能想到的非常規形式進行晶體管部署。但結果不言而喻，這些成果更快、更高效，也讓企業能夠更快將產品投放市場。

總結

在與Synopsys研發團隊的交流當中，我清楚地意識到，在物理設計當中采用RL技術僅僅是AI應用的冰山一角。未來，AI與機器學習將被廣泛引入集成電路設計領域的各類常見工作流程當中。我還想到英偉達公司CEO黃仁勛在2016年首次發布Saturn V時的評論——順帶一提，Saturn V是英偉達內部開發的基于GPU的超級計算機，當時在全球超算排行榜中占據第30名。黃先生預測稱，Saturn V將成為英偉達手中一張強有力的王牌，幫助內部設計工程師們提高生產力并推出更優質的產品。再結合Synopsys在強化學習方面的早期研究成果，相信大家更能夠理解AI輔助設計的重要份量，以及黃仁勛對這一方案的認可與期望。