芯片设计新纪元：人工智能与 GPU 加速

NVIDIA 是一提到显卡就会想到的第一个名字，它在设计高级硅片的同时在许多领域投入了大量时间。这家科技巨头正在寻找使用其生产的硅来改进芯片设计过程的方法。

绿色团队预计集成电路设计的复杂性将在未来几年呈指数级增长。这就是为什么利用 GPU 计算单元的力量将很快从一个有趣的实验室实验转变为所有芯片制造商的必需品。

NVIDIA 首席科学家兼研究高级副总裁 Bill Dally 在今年的GPU 技术大会 (GTC)上谈了很多关于使用 GPU 来加速现代 GPU 和其他 SoC 背后的设计过程的各个阶段的问题。NVIDIA 相信，使用机器学习而不是让人类手动完成某些任务会更好更快地执行。

Dally 领导着一个由 300 名研究人员组成的团队，他们努力使 GPU 变得越来越快。该团队希望使用 GPU 功能来克服技术挑战，自动化和加速传统方法之外的各种任务。上述研究团队在 2019 年有 175 人，现在还在继续增长。

Bill Dally 表示，在加速芯片设计方面，NVIDIA 已经确定了四个可以利用机器学习技术的领域。例如，在 GPU 上使用电源的映射是一个迭代过程，在传统 CAD 工具中需要三个小时。然而，当使用经过特殊训练的人工智能 (AI) 模型时，这项任务只需几分钟。教完模型后，这个时间可以缩短到几秒钟。当然，误差幅度在人工智能中很重要。但 Dally 表示，NVIDIA 的工具已经达到了 94% 的准确率，这仍然是一个可观的数字。

电路设计是一个劳动密集型过程，需要工程师在对部分设计进行仿真后多次更改布局。因此，训练 AI 模型以对正确的干扰做出准确的预测可以帮助消除大量手动工作，这些工作涉及进行满足所需设计规范所需的细微调整。NVIDIA 可以利用 GPU 来预测使用图形神经网络的干扰。

Dally 说，设计现代芯片的最大挑战之一是布线拥塞。这种缺陷表现在特定的电路布局中，其中晶体管和连接它们的许多小导线没有最佳放置。我们可以把它比作交通拥堵，但让我们想想虱子而不是汽车。使用图形神经网络，工程师可以快速识别问题区域并相应地调整它们的位置和方向。

在这些场景中，英伟达试图使用人工智能而不是人类制造的芯片设计。公司工程师可以创建一个替代模型并使用人工智能快速评估，而不是着手进行劳动密集型和计算成本高的过程。这家科技巨头还希望利用人工智能来设计用于 GPU 和其他高级硅的晶体管逻辑的最基本方面。

GPU 制造商已经开始采取必要措施，转向更先进的制造技术，在这种技术中，必须根据复杂的设计规则更换数千个标准单元。一个名为 NVCell 的项目正试图通过一种称为强化学习的方法尽可能地自动化这个过程。

经过训练的 AI 模型的任务是纠正设计错误，直到完成。NVIDIA 声称迄今为止已达到 92% 的成功率。在某些情况下，用人工智能设计的细胞可能比人类制造的细胞还要小。取得的任何突破都可以提高设计的整体性能，同时有助于减小芯片尺寸和功耗要求。

半导体工艺技术正在迅速接近我们使用硅所能达到的理论极限。另一方面，随着生产技术的变化，成本增加。因此，设计阶段的任何微小改进都可以产生更好的效率，尤其是在减小晶圆尺寸的情况下。

如你所知，绿队将芯片生产外包给三星、台积电等公司。Dally 是 NVIDIA 的领军人物之一，他说由于 NVCell，事情进展得更快了。一个由 10 名工程师组成的团队可以使用 GPU 加速功能更快地运行他们的工作。通过这种方式，公司内部的重要人物可以更轻松地专注于其他领域。

在芯片设计方面，NVIDIA 并不是唯一一家转向人工智能的公司。另一家科技巨头谷歌正在使用机器学习来开发用于人工智能任务的加速器。谷歌发现了一些意想不到的方法来优化人工智能的性能和能效。另一方面，三星的半导体部门使用一种名为“DSO.ai”的新思科技工具，该工具正逐渐被其他大大小小的公司采用。

由于半导体生产的不足，汽车行业在过去两年中遭受了巨大损失。在这种情况下，代工厂可以利用成熟制造技术（12 纳米及更大）中的人工智能制造芯片来解决短缺问题。另一方面，由于半导体领域竞争异常激烈，大多数厂商都不愿意投入其中。

超过 50% 的芯片采用成熟的半导体工艺设计。国际数据公司分析师预计，到 2025 年，这一份额将增加到 68%。Synopsis 首席执行官 Aart de Geus 认为，公司可以在汽车、电器和许多其他性能不是优先考虑的设备中使用人工智能设计芯片。这种方法比改用更先进的生产技术成本更低。此外，在每个晶片（硅圆盘）上放置更多的芯片再次节省了成本。

如您所知，有很多观点认为人工智能会随着时间的推移取代人类。在我们提到的芯片设计过程中，没有这样的故事。英伟达、谷歌、三星和其他公司已经发现，当涉及到越来越复杂的设计时，人工智能可以赋予人类权力并承担繁重的工作。人们仍然必须找到要解决的问题并决定哪些数据有助于验证芯片设计。另一方面，人工智能可以更快地处理这个过程。