从HPC 线材中选择
作者：约翰·拉塞尔
机器之心编译
机器之心编辑部
“我们还需要移植一个新的技术库。如果是手工完成，10人左右的团队需要半年多的时间才能完成，但有了人工智能，只需要几天和几次运行” 大部分工作都是用GPU完成的。马苏。 ”
近年来，芯片设计已成为人工智能落地的重要领域，谷歌、英伟达、三星、西门子等多家公司都计划或开始尝试在芯片设计中使用人工智能。其中，多年来深耕芯片设计和AI领域的NVIDIA拥有得天独厚的优势。前段时间的GTC 大会上，NVIDIA 首席科学家、计算机架构大师Bill Dally 分享了我们在这方面取得的进展以及我们正在使用的AI 工具。
以下是Bill Dally 在GTC 会议上的演讲原文。
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（并结合人工智能）。例如，有一些工具可以映射GPU 上的电力使用位置，电压网格还可以预测使用了多少电力。电压降—— 乘以电流电阻器两端的电压降称为IR 压降。使用传统CAD 工具，此过程需要3 小时。
这有点乏味，因为这是一个迭代过程。我想训练一个人工智能模型来处理相同的数据。经过一系列的设计，我能够输入功率图，最终的推理时间只有3 秒。当然，算上特征提取的时间，大约18分钟就可以立即得到结果。
我们没有使用卷积神经网络来估计电路中各个节点的开关频率，而是使用图神经网络。同样，您可以在很短的时间内获得高度准确的功率估计，比传统工具快得多。
预测寄生
我特别喜欢的一项研究是使用图神经网络来预测寄生参数。以前，电路设计是一个迭代过程，需要花费大量时间来绘制如左图所示的原理图。然而，在设计人员使用原理图进行布局、提取寄生参数并进行电路仿真之前，设计可能不符合规格，电路的性能也是未知的。
然后设计人员修改原理图并通过布局重新验证电路。这是一项非常漫长、重复、甚至不人道的劳动密集型工作。
您现在可以训练图神经网络来预测寄生参数，而无需布局。因此，电路设计人员可以非常快速地进行迭代，而无需执行手动布局步骤。我们发现我们的神经网络非常准确地预测寄生参数。
布局和布线挑战
我们的神经网络还可以预测布线拥塞，这对于芯片布局很重要。传统流程需要创建网表并执行布局布线流程，这非常耗时，通常需要几天的时间。但是，如果不这样做，您将无法了解实际的布线拥塞情况，也无法发现原始布局中的缺陷。为了避免出现下图中的红色区域（电线太多的区域，类似于交通拥堵），您需要重构宏并以不同的方式进行布局。
使用神经网络，您可以获取这些网表并使用图形神经网络以非常高的精度粗略预测拥挤的位置，而无需运行位置和路线。这种方法仍然并不完美，但它可以向您显示问题区域在哪里，并允许您非常快速地采取和迭代操作，而无需进行完整的布局和布线。
标准单元自动迁移
上述所有方法都使用人工智能来评估人类完成的设计，但更有趣的是实际使用人工智能来设计芯片。
让我举两个例子。第一个是名为NV Cell 的系统，它使用退火和强化学习来设计标准单元库（标准单元库包含AND、OR、INVERT、触发器和锁等底层电子逻辑），它是函数的集合（）。寄存器和缓冲区）。因此，该技术的每次迭代，例如从7 纳米到5 纳米，都会创建一个细胞库。我们实际上有数千个这样的库，需要使用新技术重新设计，并且具有非常复杂的设计规则。
我们用强化学习来放置晶体管，这会带来很多设计规则错误，而这正是强化学习所擅长的。 Design Chip 与Atari 游戏类似，但它是一款修复标准单元设计规则中的错误的游戏。通过使用强化学习检查并纠正这些设计规则中的错误，基本上可以完成标准单元的设计。
下图显示了该工具完成92% 的单元库，没有设计或电气规则错误。其中12% 的单元比人工设计的单元小。总体而言，该工具在细胞复杂性方面的表现与人类设计的细胞一样好，甚至更好。
这对我们来说有两大好处。一是节省大量劳动力。它还需要移植一个新的技术库，如果手动完成，需要10人左右的团队工作半年以上，但使用AI，只需要运行几块GPU。大部分可以自动化的工作（92%）已经完成，剩下的8% 由人类完成。这种方法不仅节省了人力，而且比人工工作提供了更好的结果，因为它通常会带来更好的设计。
原文链接：https://www.hpcwire.com/2023/04/18/nvidia-rd-chief-on-how-ai-is-improving-chip-design/