人工智能（AI）已經(jīng)徹底改變了許多市場，包括制造業(yè)、制藥業(yè)、航空航天等，但硬件系統(tǒng)是迄今為止尚未在人工智能方面進行任何重大投資或創(chuàng)新的領域。

雖然在片上系統(tǒng) （SoC） 生產(chǎn)的端到端生命周期中可以實現(xiàn)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(guī)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(yōu)化模型以指數(shù)方式減少在此SoC 階段的投資。

01floorplan

半導體芯片由數(shù)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(jīng)過優(yōu)化，可實現(xiàn)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(wǎng)表、約束條件、技術庫、時序庫I/O信息等，如圖1所示。

1. floorplan 規(guī)劃需要不同的輸入。

不過，floorplan 規(guī)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(shù)小時內執(zhí)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。

02機器學習

機器學習是一種人工智能，它從數(shù)據(jù)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(yōu)化floorplan。

03數(shù)據(jù)采集

floorplan所需的輸入，如門級網(wǎng)表、約束、技術庫和I/O 信息，都是從經(jīng)過硅驗證的芯片中收集的。

04數(shù)據(jù)預處理

數(shù)據(jù)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(shù)據(jù)來訓練模型，這稱為數(shù)據(jù)預處理。它包括幾個階段，如數(shù)據(jù)過濾、數(shù)據(jù)質量檢查、數(shù)據(jù)轉換、規(guī)范化和標準化等。

05模型訓練

數(shù)據(jù)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(yōu)化最小功耗、性能和面積（PPA）。強化學習可用于實現(xiàn)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。

06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(tǒng)方法更有效、更快。

07塊（block）放置的額外優(yōu)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(shù)規(guī)劃（MIP）的優(yōu)化技術，可以實現(xiàn)整個芯片塊放置的進一步優(yōu)化。該算法將以優(yōu)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(shù)據(jù)部分中定義。

使用 MIP 的優(yōu)點是能夠針對不同場景生成優(yōu)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(yōu)化平面圖設計的步驟。

08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(xiàn)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(huán)境觀察到要采取的行動的概率分布的映射），導致對環(huán)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(yōu)化

混合整數(shù)規(guī)劃是一種用于解決大型復雜問題的優(yōu)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：

09優(yōu)化的價值

使用優(yōu)化技術來克服流程瓶頸以創(chuàng)建高效的系統(tǒng)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(yè)，其革命性的影響尤其體現(xiàn)在供應鏈管理中，其市場規(guī)模為數(shù)百億美元。

使用 AI 優(yōu)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(tǒng)。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(yōu)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(fā)展。與此同時，未能做到這一點的公司遭受了數(shù)十億美元的損失，至今仍未恢復。

10保持警惕

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(yè)還應該考慮最初的開銷。

11結論

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(shù)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(yè)類似，硬件技術行業(yè)的領導者也應該齊心協(xié)力，釋放人工智能在這一領域的全部潛力。

審核編輯：劉清