近几年，芯片设计成为 AI 落地的一个重要领域，谷歌、英伟达、三星、西门子等多家公司都已经计划或开始尝试在芯片设计中使用 AI。其中，同时在芯片设计和 AI 领域深耕多年的英伟达有着得天独厚的优势。在前段时间的 GTC 大会上，英伟达首席科学家、计算机架构大师 Bill Dally 介绍了他们在这方面取得的进展以及所使用的 AI 工具。
以下是 Bill Dally 在 GTC 大会上的介绍原文。
预测电压降
作为 AI 专家，我们自然希望利用 AI 来设计更好的芯片。我们有几种不同的方法：一是利用现有的计算机辅助设计工具（并融入 AI），例如我们有一个可以绘制 GPU 中用电位置的地图，它还可以预测电压网下降多少——电流乘以电阻压降，被称为 IR 压降。在传统的 CAD 工具上运行该流程需要三个小时。
这是一个迭代的过程，所以进行起来有点麻烦。我们想训练一个 AI 模型来处理相同的数据。我们做了一系列的设计来进行这样的操作，然后就可以输入电源图了，最后推断时间只需三秒。当然，如果算上特征提取的时间，我们要花 18 分钟，很快就能得到结果。
我们没有使用卷积神经网络，而是用到了图神经网络，这是为了估计电路中不同节点的开关频率。同样，我们能够比传统工具更快地获得非常准确的功率估计，并且只需很少的时间。
预测寄生参数（parasitics）
我特别喜欢的一项工作是用图神经网络预测寄生参数。之前这项工作要花费大量时间，因为以前的电路设计是一个迭代的过程，你要画一个原理图，就像左边这张图。但你不知道它的性能如何，直到设计师采用该原理图进行 layout，提取寄生参数，再运行电路仿真，才会发现设计可能不符合规格，才能知道电路的性能。
接下来，设计师就要修改原理图，并再次通过 layout 来验证电路的有效性。这是一个非常漫长、反复甚至不人道的劳动密集型工作。
现在，我们可以训练图神经网络来预测寄生参数，而无需进行 layout。因此，电路设计人员可以非常快速地进行迭代，而无需手动执行 layout 步骤。事实表明：我们的神经网络对寄生参数的预测非常准确。
布局、布线挑战
我们的神经网络还可以预测布线拥塞（routing congestion），这对于芯片 layout 至关重要。在传统的流程中，我们需要制作一个网表（net list），运行布局和布线过程，这可能非常耗时，通常需要几天的时间。但如果不这么做，我们就无法得到实际的布线拥塞并发现最初布局的缺陷。我们需要对其进行重构并以不同的方式布局 macro 以避免出现下图所示的红色区域（穿过该区域的电线过多，类似于交通堵塞）。
现在借助神经网络，无需运行布局和布线，我们就可以获取这些网表并使用图神经网络大致预测拥塞的位置，准确率也非常高。这种方法暂时还不完美，但它能够显示出存在问题的区域，然后我们就能采取行动并非常快速地进行迭代，而无需进行完整的布局和布线。
自动化标准单元迁移
以上方法都是在用 AI 评价人类已经完成的设计，但实际上更令人兴奋的是用 AI 来实际设计芯片。
我来举两个例子。第一个是我们称之为 NV cell 的系统，它使用模拟退火和强化学习来设计我们的标准单元库（标准单元库是底层电子逻辑功能的集合，例如 AND、OR、INVERT、触发器、锁存器和缓冲器 ）。所以在每次技术迭代的时候，比如从 7 纳米迁移到 5 纳米，我们都会拥有一个单元库。我们实际上有成千上万个这样的库，它们必须用新技术重新设计，有一套非常复杂的设计规则。
我们借助强化学习来放置晶体管，但随之而来的可能是一堆设计规则错误，而这正是强化学习所擅长的。设计芯片就像一个雅达利游戏，但它是一个在标准单元中修复设计规则错误的游戏。通过强化学习检查和修复这些设计规则错误，我们基本上能够完成标准单元的设计。
下图显示的是该工具完成度为 92% 的单元库，没有设计规则或电气规则错误。这些单元中的 12% 比人类设计的单元要小。总的来说，在单元复杂性方面，该工具做得和人类设计的单元一样好，甚至比人类的还好。
这对我们有两大好处。一是节约大量劳动力。同样是移植一个新的技术库，如果使用人力，我们需要一个 10 人左右的团队工作大半年，但借助 AI，我们只需要花几天时间运行几个 GPU 就能完成大部分可以自动化的工作（92%），然后再由人来完成剩下的 8%。很多时候我们都能拿到更好的设计，所以这个方式不光节省人力，效果也比人类手工的结果好。
原文链接：https://www.hpcwire.com/2022/04/18/nvidia-rd-chief-on-how-ai-is-improving-chip-design/
