AI芯片设计需要新的EDA方法论和工具

作者：王莹时间：2019-09-25来源：电子产品世界收藏

　　王莹（《电子产品世界》，北京 100036）

本文引用地址：http://www.amcfsurvey.com/article/201909/405200.htm

　　编者按：科技日新月异的数字时代，人工智能/机器学习在半导体业的应用中快速增长。日前，Mentor公司ICEDA部门的掌舵人 Joseph Sawicki先生在“2019 Mentor论坛”北京站期间，谈了人工智能/机器学习在下一个10年带来的机遇，以及EDA设计和验证方法论和工具需要哪些新变革。

1 本土企业正在加快AI和机器学习的创新

　　Joseph最近拜访了中国的一家初创公司，该公司在2年前（2017年）刚成立，在大约6个月以前（2019年2月）刚把自己的芯片送交制造。该公司可以说取得了巨大的成功，因为只花了一年半的时间。这家公司的烧录过程和程序令Joseph印象深刻，因为十排机架上都是刀片服务器，上面所运行的都是AI（人工智能）解决方案，正在对成千上万个视频流进行图像识别。可见，这些仿真和AI/机器学习（ML）的技术和工具的运用，正是使这家初创公司可以在如此短的时间内取得巨大成功的原因之一。

　　实际上，现在整个半导体业迎来了一个绝佳的机遇。据普华永道的调研显示，AI很可能是推动半导体业成长的下一个10年周期的催化剂。麦肯锡咨询公司预测，AI正在为半导体业开启数十年来的最佳商机，因为AI可以助力半导体公司从技术堆栈中获得高达40%~50%的产值，而移动时代只为半导体业提供了价值20%的产值。

　　那么，是什么因素在驱动这样的机遇呢？正是由于现在有越来越多海量的数据被移到了网络上，无论是车与车之间的智能网联，还者是智慧城市、工业化物联网应用以及消费者层面的应用等。未来10年，人们会看到这些高速数据将在网络上呈现数十倍的增长，这为AI/ML带来了巨大机遇。

　　这些机遇会给市场带来哪些不同影响？一方面企业会把越来越多的数据放在数据中心进行管理，更多的是放在边缘进行处理，未来6年，边缘计算每年都会有成倍的增长（如图1）。

　　风险投资公司怎样看待这次机遇的？记得2001年互联网泡沫破灭时，风投公司大大降低了对半导体业的投资，过了很长时间，风险投资也仍然是有限的，但是现在这些资金又回来了——绝大多数资金涌向了AI/ML。从图2可见，风险投资在过去短短几年有很大的回归和剧烈的增长，现在很多公司已着眼于AI/ML。

　　现在AI芯片业有3种类型的企业：传统芯片设计公司，阿里等拥有海量数据的云端公司，初创企业。

　　认为这3类企业正在越来越多地进行联合，即传统芯片公司可能会加强自己的原有设计能力，也会设计以数据中心为主的芯片；同时也有云端数据公司在和初创公司进行联合，或者向初创公司投资，以采用新型算法。但无论谁会成功，这个市场在未来几年里的发展都会是非常激动人心的。

2 EDA设计和验证方法论需要新转变

　　相比传统的芯片设计开发流程，现在AI时代的芯片设计方法论有何特点？首先，设计层级要从RTL（寄存器传输级）往上走，诸如C++甚至C系统，因为这些更高层级的设计语言可以更好地集成到AI平台。其次，传统的开发流程中，我们可能更关注的是设计上的规范和架构；现在的AI时代，更加需要关注的是应用的验证，而不是去验证设计本身的正确性。

　　2.1 设计方法论的转变

　　对于设计芯片公司，未来设计方法论会有颠覆性的改变。

　　将来绝大多数AI/ML会发生在边缘，对于半导体公司来说最重要的就是着眼于价值堆栈，必须定制出一些架构来满足用户的体验。

　　之前提到SoC（系统芯片），更多的是其指标规格，例如内存的大小，方法论更多的是RTL，然后才是在芯片上进行验证——这种验证是为了让芯片的性能更强。

　　但是AI时代需要定制架构满足消费者的用户体验，这样的原生环境就是AI的开发平台，设计语言可以是C或C++。

　　最重要的是，在设计业中有时会发现CPU太慢，有时GPU功耗太高，那么应该怎么办呢？需要找到一个很好的路径，就是在原生设计环境中最好地运用AI，以实现最优的用户体验。

　　HLS（高阶综合）可以作为连接AI原生环境和芯片的桥梁，帮助客户更好地设计架构，管理内存的分配、神经网络的宽度和纵深，以及决定在里面布设多少管道等。管理好这些因素，才能为垂直应用提供经过优化的IC软件体验（如图3）。

　　关于HLS，Mentor已经开发出了工具箱，其中4种不同的设计是可选的，这些设计也呼应了FPGA。值得一提的是，Mentor做IP不是要在消费者芯片上直接进行应用，而是更多地帮助用户具有驾驭最新设计方法论的能力。

　　现在已有许多客户在用HLS的方式来设计AI和机器学习的芯片，例如NVIDIA（英伟达）公司是业界的领导者，他们利用这种方法论，生产率已经提高了50%。更重要的是，其验证成本降低了80%。

　　2.2 验证方法论的改变

　　传统芯片验证的测试方法是要测试规则、架构和规范等。在AI时代更多的是垂直应用，因此需要进行的验证是在应用层面，即需要技术仿真出AI引擎，然后在CPU系统上可以把这些数据推送到AI引擎，这样就会生成一个界面，可以产生一个虚拟的PCI，也可以执行用户想要执行的应用，包括整个代码的处理等，性能、功耗以及数据都可以给到。这意味着还没到芯片层，用户就可以理解整个过程的性能表现如何。

3 Mentor的解决方案

　　在AI仿真和其它领域会有怎样的优势？Joseph称，Mentor既有设计工具，也有验证工具。Mentor最大的优势是在仿真方面的方法论，例如虚拟化环境，还有整个系统自动化地把算法带到阵列上。

　　当然，在Mentor公司内部工具中使用AI/ML，也能够更加有效地实现这些新的技术。Mentor被西门子收购后开发了许多技术，还有模式分析方面的OPC，可使数千个CPU 24小时不间断地运行，通过机器学习提高效率，可以把整个时间和复杂性降低3~4倍。

4 Mentor如何打造出具有优势的EDA工具

　　无论是Calibre还是Tessent都有一些共性。如果能做到以下3点，成功的概率就会非常大。

　　首先必须要有一批非常具有热情的开发者，这些开发者希望能向市场提供不同的产品，也就是不只是开发一个产品，产品要能带来不同才是价值所在。

　　其次，这些工程师团队必须非常密切地和客户一起工作，因为远离客户就无法找到很好的解决问题的方式。

　　第三，要找准客户最困难的问题在哪里。就像的Calibre设计工具和Tessent测试工具，要找到每个产品的关键问题所在。

5 被西门子并购后的转变

　　Mentor和西门子公司在2017年合并，现在是西门子PLM软件公司下的一家独立运营的子公司。合并后的理念是向更强、更大的方向发展，即不仅要单项强，而且要做更广泛的业务，特别是在整个EDA（电子设计自动化）行业——从芯片一直到系统，甚至到工业应用——提供一揽子的整体解决方案。

　　合并后，西门子加强了对Mentor在EDA技术的投资，在一年多的时间内，Mentor先后收购了5家公司，并加强了HLS等研发。

　　合并后，西门子PLM软件公司现已成为全球第一大工业软件公司（如图4）。目前，西门子的数字化部门（包括Mentor）已经达到了42亿美元的营业额，居行业第一。西门子工业的年收入增长值每年超过10%。