机器已可以制造其他机器，因此人工智能将帮助构建它们存在所需的组件，包括处理器和存储设备——这听起来没错。但我们距离人工智能取代设计工程师还有很长的路要走。机器学习 (ML) 和算法的直接好处是通过加速繁琐、耗时的任务来提高生产力。
埃森哲关于生成式人工智能的年度技术愿景报告的最新研究发现，69% 的全球高科技高管希望他们的组织能够从人工智能的加速创新中受益。高科技行业主管Syed Alam在接受《EE Times》独家采访时表示，制造和供应链是正在探索生成式人工智能以支持芯片制造流程的领域。
Alam说：“生成式人工智能可以通过协助质量检查和生产调度来提高芯片利用率和产量，”而供应链可以通过监控和识别产品交付中的断点来优化材料可用性来改善。
他补充说，设计是人工智能将产生影响的另一个领域，因为它可以通过帮助管理整个芯片生命周期的复杂性来提高上市速度，例如快速原型设计和轻松查看产品的所有数字文档。
“生成式人工智能的出现对半导体公司意味着，他们需要从根本上重新思考工作的完成方式，”他说。“重点必须放在不断发展的运营和人员培训上，就像技术上一样。”
华邦电子公司移动 DRAM 经理 Tetsu Ho 在接受《EE Times》独家采访时表示，他认为人工智能有潜力通过提高性能、减少缺陷和提高效率来彻底改变芯片的设计和制造。“我们认为人工智能可以帮助设计周期时间，例如电路布局和效率模拟结果。”
在设计过程方面，Ho补充说，可以使用ML算法来优化芯片性能。人工智能还可以帮助生成新的芯片架构并优化芯片布局，从而提高性能，同时降低功耗。
他表示，设计可以进一步优化，因为人工智能可以帮助预测不同场景下的芯片行为，以识别潜在问题。同样，人工智能可用于制造中，以识别和纠正生产线中的问题，也可用于分析传感器数据，以识别制造过程中芯片的缺陷。他补充说，人工智能还可以指导流程调整，以减少缺陷并提高良率。
此外，人工智能还可以用来改善质量控制，因为它可以识别人类难以察觉的缺陷，例如肉眼无法看到的划痕或裂纹。
“由于大量有意义的标签数据，人工智能可以加快先进工艺节点产品的产量提升，并优化进度周期时间。”
例如，Nvidia首席科学家 Bill Dally 在独家专访中告诉《EE Times》，Nvidia 正在与德克萨斯大学合作，探索人工智能如何通过基于 DREAMPlace 的自动宏布局 (AutoDMP)来帮助设计过程，以优化宏布局。
AutoDMP 使用开源分析放置器 DREAMPlace 作为并发宏和单元放置的放置引擎，并使用 PyTorch 深度学习 (DL) 框架来训练神经网络。Dally 表示，DREAMPlace 的优点是运行速度非常快，因此可以进行许多试验和学习，尽管它不是当今与 AI 最相关的 DL 框架。
图：Nvidia 正在与德克萨斯大学合作，探索人工智能如何通过基于 DREAMPlace 的自动化宏布局来帮助设计过程，以优化宏布局。（来源：英伟达）
Dally 说，放置宏有许多经过验证的做法，但手动找到最佳位置非常耗时。宏布局是芯片设计过程的一个关键方面，因为它对芯片的布局有重大影响，直接影响面积和功耗等许多设计指标。如今，大多数数字芯片集成了许多宏，通常是内存博客或模拟块，它们通常比标准单元大得多。
Dally 表示，AutoDMP 研究不仅证明了将 GPU 加速布局器与 AI/ML 多目标参数优化相结合的有效性，而且还可能带来额外的设计空间探索技术。
使用人工智能进行芯片设计并不需要很复杂，其价值在于它将人类从重复性任务中解放出来，同时还可以减少错误并提高准确性。Dally 表示，Nvidia 使用人工智能的另一个例子是通过强化学习，使用名为 NVCell 的工具来设计单元库。
“它比人类更好。”
从 5 nm 转移到 3 nm 需要重新布局库中的 2,500 个单元，同时遵守复杂的现代设计规则，Dally 表示，这项工作过去需要 10 个人花费 8 个月的时间才能完成。
“现在，只需在 GPU 上运行一整夜即可。”
图：英伟达的Bill Dally。
他说，这是人工智能作为生产力工具的一个例子，它可以让设计师减少琐碎的劳动，专注于做出更高层次的决策——转向新流程时节省的时间可以用来做更有价值的事情。
“这节省了人们的时间，因此我们可以用更少的人做更多的事情。”
Dally指出，我们的目标不是摆脱人们。“我们想做更多。对于其他芯片，我们有很多很棒的想法。”
如果没有人工智能生产力工具，就会出现工时短缺——五件事可能会因为没有足够的时间而被刮掉。“现在，我们将能够做这五件事，因为我们将拥有相同数量的人员，但他们的生产力会更高。”
他补充说，以前设计的训练数据也可以用于新设计，以加快这一过程。“我们有一个我们设计的芯片档案，可以用来训练工具。他们了解设计师在这些芯片中放入了什么，并可以在其他芯片中复制这些内容。”
但Dally表示，良好的芯片设计需要创造力和经验，而人工智能仅在规定和受限的场景中有效。
“一旦做出重大决策，人工智能就能更好地优化事物。”
Lam Research （泛林研究）还在探索人类和人工智能如何最好地合作来优化芯片设计，因为随着芯片尺寸不断缩小，复杂性不断增加，对精度和准确度的需求也随之增加。该研究公司最近在《自然》杂志上发表了一项研究，概述了人类和机器合作与工程师或人工智能单独合作时的差异。
图：Lam Research 创建了一个虚拟环境来快速测试算法如何找到控制等离子体与硅晶圆相互作用的合适配方。（来源：泛林研究）
泛林研究执行副总裁兼首席执行官顾问 Rick Gottscho 在接受《EE Times》的采访时表示，最好的方法似乎是“人类优先，计算机最后”的合作。
泛林研究让工程师和计算机算法相互竞争，为芯片制造中使用的原子级等离子体蚀刻工艺开发出一种理想的配方，研究发现，虽然人类工程师仍然至关重要，但混合人机方法可以帮助减轻繁琐和困难。研发的繁重工作，使工程师能够专注于更具挑战性的问题。
Gottscho 表示，芯片被用来设计芯片已经有几十年了。“正在发生的事情是，那些用于设计芯片和进行布局的自动化例程变得比过去更加复杂。”
然而，在处理器领域，很难有效地使用计算机辅助设计，他说。
“方案是通过反复试验而制定的。” Gottscho 表示，这个问题比 Nvidia 等公司正在解决的布局挑战更难解决。
“物理学非常复杂。”
自动驾驶汽车成为可能的原因之一是汽车上的许多传感器收集大量数据，这些数据可以为适用于所有车辆的复杂算法提供信息。但如果您正在开发等离子体沉积工艺，则可以在蚀刻机上运行一百万亿种不同的配方，从而在晶圆上产生可测量的差异，Gottscho 解释道。
“你如何从一百万亿个方案中挑选出一个？哪一个最好？”
他说，为了生成数据，每个实验通常需要一天的时间并花费数千美元，这使得生成大数据变得不切实际。
图：Lam Research 的 Rick Gottscho
Gottscho 表示，这项研究本身就是一个挑战，因为 Lam 需要一种方法来公平地评估数据科学家生成的许多不同算法。他说，重要的一步不是在现实世界中这样做。
“实验时间太长，而且成本太高。我们需要太多的数据来评估一种算法，更不用说评估一大堆不同的算法了。”
Gottscho说，这就是研究人员选择在虚拟世界中进行实验的原因。
“我们创建了一个虚拟环境来模仿等离子蚀刻机上发生的情况。” 在与工艺工程师确认它与现实世界一样现实且令人沮丧后，Lam 能够大幅降低实验成本，并更快地评估一种算法与另一种算法的比较。
Gottscho 说，一个关键的结果是，数据科学家和他们最喜欢的机器学习算法都严重失败，因为他们缺乏领域知识和经验。与此同时，专家工程师和初级工程师的学习曲线都遵循特定的模式。
“通过一些实验，他们会学得很快。”
研究最终表明，工程师在达到客户目标的调整过程中会取得令人满意的进展，但在某个时刻，他们会因为没有取得太大进展而感到沮丧。
“这就是花费大部分时间和金钱的地方。”
Gottscho 说，研究表明，人工智能可以接管一个交接点，从工程师的努力中学习——他们的工作教授算法，以便它可以被快速利用，并处理缓慢、令人沮丧的过程。的过程。“这是为了提高人们的生产力。”
他说，这也表明采取混合方法是必要的。“没有领域知识的机器就像新生婴儿。神经网络中没有连接。没有学习的余地。”
Gottscho 表示，这意味着人工智能不会很快取代半导体设计行业的人员——婴儿需要时间来学习。
“你需要某种方法来整理之前的学习成果。”
他说，诀窍是从那些从事他们喜欢的工作的人那里汲取经验，因为他们进步很快。
“当它变成苦差事时，那就是你把它交给更擅长这项苦差事的机器的时候。”
本文翻译自《电子工程专辑》英文版EETimes，原文链接：AI Can’t Design Chips Without People
文章来自：https://www.eet-china.com/
