首页 抖音热门文章正文

半导体工程专家：芯片设计中的人工智能需要严格控制

抖音热门 2025年07月27日 22:33 0 admin
半导体工程专家：芯片设计中的人工智能需要严格控制

2025 年 7 月 16 日 - 作者：埃德·斯珀林

高管展望：半导体工程与专家小组坐下来讨论有效利用人工智能需要什么、谁从中受益以及软件定义硬件在哪些方面效果最好，与Ansys研究员Bill Mullen;西门子 EDA 产品管理高级总监 John Ferguson;是德科技新市场和战略计划高级总监 Chris Mueth;Cadence 高级工程集团总监 Albert Zeng;Anand Thiruvengadam，新思科技高级总监兼人工智能产品管理主管。以下是在 2025 年可持续发展教育联盟 （ESD Alliance 2025） 上在现场观众面前举行的讨论的摘录。要查看此讨论的第一部分，请单击此处。第二部分在这里。

半导体工程专家：芯片设计中的人工智能需要严格控制

SE：人工智能是如何融入设计周期的？关于打破孤岛的讨论很多，因为有多维、多物理场和多专业知识的问题需要解决，但这既困难又昂贵。

马伦：人工智能将在很多方面帮助解决多维问题。如果你看看 3D-IC，自由度正在上升。有这么多不同的集成风格，能够有效地探索该设计空间将成为人工智能的关键力量之一。生成技术也会有所帮助。例如，我们可以使用生成式人工智能技术生成满足要求的电感器。因此，帮助设计师利用人工智能更快地找到正确的解决方案非常重要。

Ferguson：这是推动 EDA 行业整合的重要组成部分。你会看到西门子、Mentor 和 Altair 走到一起。您会看到 Synopsys 和 Ansys 的结合。正是因为我们拥有这些不同的知识集，我们需要将它们拉得更近，这就是推动这一发展的原因。

Mueth：人工智能正在被注入几个领域。一种是人工智能辅助，你带一名初级工程师并指导他们。这是一个领域。生成式人工智能绝对是人工智能可以帮助加速实施的一个领域。但我们现在谈论的很多都是协作设计，你引入多个学科，从不同领域召集专家并将它们组合在一起，并集成工具。但即便如此，也无法缩小劳动力缺口。人工智能可能做的是，通过将这些学科内置到人工智能中，使个人工程师能够自己进行更多的多学科设计。这将使每个工程师的效率更高。它会完全缩小差距吗？不，因为您为工程师提供越多，他们想要的就越多。这是一个自我实现的预言。进行模拟有太多未满足的需求，一旦你解决了一个问题，你就会想要扩展并做更多的事情。

Thiruvengadam：我从三个价值层次来看待它。一个价值层是优化层，基于强化学习的优化技术开始出现。这有助于您探索非常大的设计空间，并帮助您收敛解决方案。另一层是分析，这是一个重要的层面，尤其是生成式人工智能。分析是其中非常关键的部分。第三种是生成性的，其中你有一个可以帮助提高技能的系统。这现在非常重要，特别是对于初级工程师来说，他们要进入下一个级别，并在之后进入下一个级别。使用生成式 AI 可以轻松提高技能，但更大的好处是生产力——创建内容、创建测试台和 RTL 等等。这是真正代理 AI 工作流程的基础，您可以在其中执行从头到尾的完整工作流程。然后，下一个级别是多个工作流程的编排。因此，人工智能有很大的潜力。

Zeng：在分析方面，在早期设计阶段，你可以使用多相 AI 模型进行大量探索，以找到可见的内容。对于平面图，您可能有只需几秒钟即可运行的分析，但可能有数百万种不同的可能平面图可供探索。这需要太多时间。如果你有一个非常好的人工智能模型，可以很好地捕捉趋势，那么你可以将时间缩短到几分钟。这消除了将多阶段转移到设计周期早期的障碍。此外，无论多相分析的结果如何，无论是热分析还是其他分析，这都需要在设计阶段反映出来。最后，这一切都回到设计师身上，做出设计决定，我是否需要将其移至此处，或者我需要减少我的设计，或者我需要进一步拆分它。因此，所有这些反馈都需要尽快提供给设计师。我们不能再花几天或几周的时间来获得反馈了。我们立即需要它。这就是人工智能建模可以提供帮助的地方。

SE：你怎么知道你得到了好的信息？这是人工智能的问题之一，对吧？有幻觉和无声的数据损坏，AI本身就是一个黑匣子。

弗格森：你需要很多额外的验证。信任，但要验证。

Mullen：而且你需要独立的验证工具，这些工具不使用与人工智能或其他系统相同的方法。

Mueth：要建立这种数字信任，一切都与良好的数据有关。您必须将 AI 结果建立在某种坚实的知识基础上。因此，您需要注意数据集，注意您向 AI 发出的明确指令，以确保它遵循您想要的方向，同时寻找数据清洁度。但最终，您还需要人工干预来进行检查，直到您可以建立这种信任。

Thiruvengadam：在 ISV 领域，我们依赖于商业和开源模型。这意味着他们（模型提供商）有责任处理静默数据损坏。当我们开发特定领域的 LLM（大型语言模型）或 SLM（小型语言模型）时，EDA 的情况将会发生变化，因为现在我们拥有模型，我们必须训练它们。但我们还没有到那一步。

曾：如果在训练阶段就发现输入数据中的这类问题，那么你可以提供相当不错的数据。我们可以开发一些方法来检查这种输入以前是否被看到过，并确定我们对它的信心有多大。但是，一般来说，在进行任何特定训练之前，您需要运行一堆测试，甚至进行一些迁移学习以确保您的数据非常好。所以一开始就必须做一些清理工作。

Mueth：你可以使用一个约束驱动的代理来查看预期结果的范围，并由人工智能引擎控制，以确保事情落在合理的范围内，这样你就不会偏离左翼。这是您可以使用的技术。

SE：基本上你正在收紧控制循环。但是，如果没有经验的工程师没有认识到某些事情远离目标并且无法工作，那么您如何解决问题。该行业一直在尝试用工具解决人才短缺问题，但它不一定有人才能够理解工具何时出现问题。

曾：这是一个非常好的问题。我的小组去年开始了一个项目，使用副驾驶来编写代码。那个项目总代码的大约 30% 到 40% 是由副驾驶编写的，我担心这个代码的质量是否足够高。这实际上取决于使用它的工程师，因为最终他们必须确保他们完全了解它的作用以及如何测试它。这不仅仅是测试功能。您还需要进行一些压力测试，以确保它可以在不同阶段工作。这意味着所有使用人工智能工具的工程师仍然需要了解基本物理原理才能做出判断。所以我们可以在设计循环中使用 AI，但不能让 AI 负责设计周期，或者作为替代品。

Thiruvengadam：你永远不会把实际的工具——例如签核工具——带出房间。最终，它必须是用于签字的工具，而人工智能只会帮助协助活动。

Mullen：我在 GitHub 上参加了一个活动，他们正在谈论副驾驶。假设初级工程师将从副驾驶那里获得最大收益。但他们说，事实恰恰相反，因为高级工程师会仔细观察并说，“这没有意义”，而初级工程师很可能只是点击并说，“接受”。因此，我们必须想办法培训这些初级工程师，无论他们是做软件还是硬件，这样他们就不会盲目接受法学硕士生成的东西。你必须了解物理原理，了解如何验证结果，并问，“这有意义吗？因此，也许人工智能可以帮助训练他们并让他们达到那个水平。

弗格森：我们从失败中吸取教训。因此，您可能会按下“接受”按钮，但您搞错了。但也需要有一些后果，因为你弄错了，所以下次你不会只是说，'接受'。你会再深入一点。这就是发生的事情，并且还会继续下去。我们在早期的职业生涯中都犯过错误。

SE：让我们改变方向。关于软件定义硬件的讨论很多。这真的是一条可行的前进道路，还是会更加共同设计？自 90 年代后期以来，我们一直在谈论硬件和软件的共同设计。现在它是硬件、软件、封装和各种其他元素的共同设计。这真的是软件定义的，还是不同的东西？

弗格森：这取决于应用。iPhone 就是一个很好的例子，可以利用软件定义的硬件，你会说，'我将以这样一种方式构建我的硬件，以便我有各种冗余。我有额外的东西，我不一定需要用于当前的应用程序，但我将来可能需要它来用于一些我还没有考虑过的应用程序，或者我现在只是在考虑。我将把它们放在一起，这样我就可以进行软件更新，而不必拥有一部全新的手机。并非我们行业中的每个应用程序都需要这样的东西。数据中心可能就是一个很好的例子。他们需要确保尽可能高效地运行所有内容，同时最大限度地减少影响。汽车，也许不那么重要。系统的某些部分可能需要其中一些，但不需要大量。

Mueth：当然，这是特定于应用程序的。其他例子是软件定义无线电或软件定义仪器，其中您有一个硬件外壳，并且您正在测试的内容的个性主要是软件。您将获得灵活性和面向未来的能力，这非常重要。这就是为什么你可以使用 iPhone 五六年。它还允许修复错误和硬件定义的软件应用程序无法执行的各种作。

Mullen：Imec 最近发表了一篇关于此的研究论文，他们为此辩解说，人工智能模型变化如此之快，以至于越来越快的硬件周期仍然无法跟上或预测下一个人工智能模型会是什么样子。因此，确实需要某种更快、更节能的可重构性。如何以最节能的方式进行训练或推理？那里有有趣的研究。

SE：这一直是最大的权衡之一，对吧？当您增加灵活性时，您会失去速度和效率。

马伦：这必须明智地完成。它永远不会预料到一切。

Zeng：对于仿真，它更像是一个硬件定义的软件，因为我们更关注性能。但随着我们开始看到 3D-IC，我们也许能够非常轻松地交换不同的小芯片和块。因此，对于某些类型的分析，例如内存绑定，我们可能拥有比计算单元更多的带宽。但这需要生态系统存在。

SE：如果你每天看看手机上的软件更新数量，那就太惊人了。所以现在想想在汽车里。

Thiruvengadam：软件定义硬件已经存在了大约 15 年。从某种意义上说，它可以追溯到 FPGA。但软件定义的硬件将继续存在。您可以使用软件根据用例和应用程序提取门。开发、成本、上市时间——它们都是驱动因素，而且这些因素不会消失。因此，这将是越来越多的软件驱动硬件。

SE：软件定义设备是安全性较低还是安全性较高？

Thiruvengadam：只要你构建了正确的安全机制，无论是软件还是硬件都无关紧要。

SE：最后一个问题。多年来，关于包含 EDA 的联邦学习的讨论很多。这是真的，还是一厢情愿？

弗格森：最大的担忧是知识产权保护。你说的是从四面八方引入信息，这很难做到。如果您认为自己拥有一些独特的 IP，您不想与其他人分享，他们也不想与您分享他们的 IP。获得邦联的唯一途径是让每个人都进入同一个帐篷。

Mueth：在一个大系统上，这是有道理的。对于一辆汽车，它有很多组件，你可以把这些组件构建一个降阶模型，放入下一级装配中，数据来自所有不同的来源。如果你有一个混合孪生，你获取一些测量数据，模拟数据，将它们集成在一起，然后将其拉到更高级别的程序集中。事实上，您需要它，因为没有它，汽车供应商今天想要进行的各种模拟就无法完成。人们大力推动引入代理建模，以允许进行此类模拟。

Zeng：我们的一些客户正在关注这一点，在我们之前构建自己的人工智能模型，因为几年前，当人工智能开始蓬勃发展时，他们的经理给了他们一个将人工智能引入设计流程的 KPI。他们是第一个考虑使用人工智能取代模拟的人。我问他们，'好吧，最后，你真的在工作流程中使用了这个吗？答案是否定的。原因是无论他们构建什么模型，提取模拟数据都需要很长时间。其次，你必须运行大量模拟很长时间，这远远超出了设计周期。但从 EDA 的角度来看，我看到了巨大的潜力。我们能够将这种模型生成、数据收集嵌入到我们的流程中，并为他们创建一个模型，他们可以在设计中使用。

Thiruvengadam：对于经典的人工智能，联邦学习将是一件非常非常困难的事情。假设有一位客户想要使用 EDA 供应商提供的特定组件来更新模型。从链接的角度来看，这给 EDA 公司带来了很大的担忧，因为客户要求不同的供应商提供模型来调整他们的 LLM。对于 EDA 供应商来说，这将是“不”。

相关文章

发表评论

长征号 Copyright © 2013-2024 长征号. All Rights Reserved.  sitemap