從數周縮短到數小時！利用人工智能進行SoC預測性布局
2022-11-17 12:41:24 electronicdesign人工智能（AI）已經徹底改變了許多市場，包括制造業、制藥業、航空航天等，但硬件系統是迄今為止尚未在人工智能方面進行任何重大投資或創新的領域。
雖然在片上系統 （SoC） 生產的端到端生命周期中可以實現許多潛在的機器學習 （ML） 應用，但本文重點介紹 SoC設計的布局規劃階段。毋庸置疑，這是最耗費時間、成本和人力資源的過程之一。具體來說，我們將研究評估使用ML 和優化模型以指數方式減少在此SoC 階段的投資。
floorplan
半導體芯片由數十億個晶體管組成。floorplan 涉及將這些晶體管與其他必要的組件（如時鐘、電源軌等）一起放置在芯片上。它們的位置經過優化，可實現更小的芯片尺寸、更好的性能、避免時序沖突以及更輕松的布線。設計流程中的這一關鍵步驟需要門級網表、約束條件、技術庫、時序庫I/O信息等，如圖1所示。
1. floorplan 規劃需要不同的輸入。
不過，floorplan 規劃設計通常需要幾周時間才能完成。而機器學習可能會在數小時內執行相同的任務。這有助于更快地將半導體芯片推向市場，并使工程師能夠專注于更復雜的工作。
機器學習是一種人工智能，它從數據中學習各種模式和見解，并應用這些學習來做出準確而有見地的預測。在ML過程中需要各種步驟來優化floorplan 。
數據采集
floorplan所需的輸入，如門級網表、約束、技術庫和I/O 信息，都是從經過硅驗證的芯片中收集的。
數據預處理
數據收集后，將啟動訓練 ML 模型的步驟。第一步是以正確的格式獲取數據來訓練模型，這稱為數據預處理。它包括幾個階段，如數據過濾、數據質量檢查、數據轉換、規范化和標準化等。
模型訓練
數據準備完成后，下一步是訓練 ML 模型。目標是預測下一個元件在片上放置，同時優化最小功耗、性能和面積（PPA）。強化學習可用于實現這一目標。它采用迭代方法并獎勵導致最低 PPA的placements，同時懲罰增加PPA的建議。
模型測試和部署
模型訓練后，下一步是在看不見的芯片塊上測試模型的性能，以驗證其預測的有效性。如果工程師驗證的結果令人滿意，則可以進行部署了。通過這些步驟進行的芯片塊放置預測將比傳統方法更有效、更快。
塊（block）放置的額外優化
該過程可以在上一階段停止。然而，通過使用基于混合整數規劃（MIP）的優化技術，可以實現整個芯片塊放置的進一步優化。該算法將以優化ML模型生成的floorplan 為目標，在指定的設計約束條件下進一步最小化PPA，這些約束條件在數據部分中定義。
使用 MIP 的優點是能夠針對不同場景生成優化的解決方案。這在擴展流程以加快設計速度時有很大幫助。整個過程的分步方法如圖 2 所示。
2. 機器學習過程涉及預測和優化平面圖設計的步驟。
算法
強化學習
強化學習是一種 ML，涉及通過試錯法采取行動和學習。這是通過獎勵導致期望行為的行為來實現的，而不需要的行為會受到懲罰。
盡管有許多類型的強化學習算法類型，但常用的學習方法稱為Q學習（圖3中定義的方程）。這是當代理沒有收到任何策略時（強化學習策略是從當前環境觀察到要采取的行動的概率分布的映射），導致對環境的自我指導探索。
3. 這是Q學習的方程，Q學習是一種強化學習算法。
MIP 優化
混合整數規劃是一種用于解決大型復雜問題的優化技術。它可用于在定義的約束范圍內最小化或最大化目標。
MIP 目標和約束定義示例：
優化的價值
使用優化技術來克服流程瓶頸以創建高效的系統并不是一個陌生的概念。幾十年前，它已成功應用于各個行業，其革命性的影響尤其體現在供應鏈管理中，其市場規模為數百億美元。
使用 AI 優化供應鏈管理可確保以最低成本在供應鏈中建立高效的制造、分銷和庫存放置系統。在新冠疫情期間，當供應鏈受到嚴重影響時，這一點變得非常明顯。采用供應鏈優化的公司不僅沒有受到疫情的嚴重影響，而且許多公司甚至能夠在其中蓬勃發展。與此同時，未能做到這一點的公司遭受了數十億美元的損失，至今仍未恢復。
人工智能確實很強大，但它的預測不應該盲目接受，必須由人類工程師來驗證。應向輸出不符合約束或非最佳錯誤布局的ML 模型提供反饋。但是，通過一致的反饋，該模型確實會自我改進。硬件行業還應該考慮最初的開銷。
利用人工智能（機器學習、深度學習等）在整個硬件生命周期中綜合、分析、模擬、部署和推出有效的解決方案還有許多其他實用應用，具有數十億美元的影響潛力。本文只是通過查看其中一個應用來觸及表面。
與軟件技術行業類似，硬件技術行業的領導者也應該齊心協力，釋放人工智能在這一領域的全部潛力。
