身为一名人工智能专家，我们当然想要利用人工智能来设计更好的芯片。我们有好几种方法可以这样做。第一条最简单的途径就是我们可以使用（与人工智能相结合）已有的计算机辅助设计工具。比如，我们可以测绘 GPU 里的电力消耗，并且可以预测栅极电压会降低到什么程度——所谓的 IR 下降就是指电流乘以电阻压降。用常规 CAD 软件来做这件事要花上三个小时。”Dally 说道。

在 Dally 看来，这是一个迭代的过程，需要做的就是训练一个人工智能模型，来获得相同的数据。

“我们在一堆设计上这样做，基本上就能将功率图输入，由此产生的推理时间仅需要三秒钟。当然，如果把特征提取的时间算在内，这需要 18 分钟。我们能够很快地取得成果。在这个案例中，我们采用了图神经网络，而不是卷积神经网络，我们这么做，就是要估算电路中各个节点的开关频率，从而促进了前面例子中的功率输入。”Dally 说，“我们可以在很短的时间内得到精确的功率估算，这要比传统的方法快。”

利用图神经网络预测寄生效应

Dally 表示自己最喜爱的工作之一就是利用图神经网络来预测寄生效应。在几年前，他曾是一名电路设计师。以前，电路设计是一个非常反复的过程，你要绘制一副晶体管的原理图，但是你并不清楚它的性能如何，直到布局设计师拿到这副原理图，进行了布局，并提取了寄生器件，然后你才能进行电路仿真。

“你会回去修改你的原理图（并再次通过）布局设计师，这是一个非常漫长的、反复的、非人道的、劳动密集型的过程。现在我们可以做的是通过训练神经网络来预测寄生效应，而无需进行布局。这样，电路设计者可以非常快速地进行迭代，而不必在循环中进行手工布局的步骤。这里的图表显示，与基准真相相比，我们对这些寄生器件的预测非常准确。”

布局和路由的挑战

Dally 称，AI 还可以预测路由拥堵情况，这对企业们的芯片布局至关重要。

正常的过程是，研发人员必须采取一个网表，通过布局和路由过程运行，这会非常耗费时间，通常要花上好几天。虽然能够了解拥堵情况，但会发现原来的布局还不够完善。因此必须重新设计，用另一种方法来布局宏，这样就可以避开那些红色的区域（如下图所示）。

这里有太多的线试图通过一个特定的区域，有点像交通堵塞的车位。“我们现在能做到的就是不用再进行布局和路由了，我们可以利用这些网表，并且通过图神经网络，基本地预测哪里会出现拥堵，从而达到很高的精准度。”他说，“这还不够完善，但是它表明了问题所在的区域，我们可以立即采取措施，快速地进行迭代，而无需进行完整的布局和路由。”

标准单元迁移的自动化

Dally 表示，目前这些方法都是通过人工智能对人类的设计进行批判。真正让人激动的是，将人工智能用于实际的设计。

Dally 举了个例子，比如 NVCell 系统，该系统采用了模拟退火与强化学习相结合的方法来设计标准单元库。每获得一项新技术，比如从 7nm 转向 5nm，就拥有了一个单元库。Dally 说：“事实上，我们有数以千计的这种单元，并且必须用一套非常复杂的设计原则在新技术中进行重新设计。”

据 Dally 介绍，英伟达主要利用强化学习来布局晶体管。在过去，当晶体管被布局好之后，往往会出现大量的设计规则上的错误，就像电子游戏一样。而这正是强化学习最拿手的。

“在 Atari 电子游戏中使用强化学习就是很好的范例。这就好比是一款 Atari 电子游戏，不过它是一款修复标准单元中设计规划错误的电子游戏。我们可以用强化学习来修正这些设计规则中的错误，从而使我们可以在很大程度上实现一个标准单元的设计。”

如下图所示，92% 的单元库可以通过这款工具来实现，而不存在设计规则和电气规则方面的错误。此外，还有 12% 的单元要小于人类设计的单元。“总体上来讲，在单元复杂性方面，这款工具做出来的单元，与人类设计的单元相当，或者更好。”Dally 表示。

这对英伟达来说有个好处是可以节约很多人力资源。在过去，一个大约 10 人的小组需要花费一年的时间，来完成一个新的技术库的移植。现在，可以使用多台 GPU 运行几天来完成。这样，人类就能处理 8% 未自动完成的单元。“在很多案例中，我们最终能得到更好的设计。这样可以解决人力，而且优于人类的设计。”

Dally 的演讲还有很多关于英伟达研究开发的内容，英伟达的研究和开发主要集中在产品上，而非基础科学。如果你感兴趣的话，也可以了解下 Dally 在 2019 年、2021 年关于英伟达研究开发的演讲。看完后你会发现，Dally 在研究开发工作和组织方面的描述并没有什么改变，但是主题是不一样的。

原文链接：英伟达研发主管：AI 是如何改进芯片设计的？
转载自：传感器技术
文章来源于单片机与嵌入式
版权声明：本文来源网络，免费传达知识，版权归作者所有，如涉及作品版权问题，请联系我进行删除。

发布于 2022-05-04 23:23
​赞同​
​添加评论
​分享
​收藏
​喜欢
​
收起​
喜欢甜妹的猪脑子
喜欢甜妹的猪脑子
God only help those who help themeselves
传感器中可分为四种：

以应用领域、性能、定价权、技术护城河、未来发展趋势四个角度 分别来看这四个子行业的产品

摄像头，代表公司有：博世，法雷奥，日立，麦格纳，采埃孚天合。

应用领域大、性能低（精密度一般、依赖光线、探测距离50m）、定价权低、技术护城河低，因精确度低在自动驾驶中应用有限

目前大量市场份额为国际汽车零件巨头，依靠规模优势占据，代表公司为博世、法雷奥、麦格纳。

超声波传感器，代表公司有：博世、日本村田、日本尼塞拉、奥迪威。

应用领域广、性能低（精密度高、探测距离仅有10米）、技术护城河低、定价权低，未来存在市场，因探测距离短在自动驾驶中应用有限

目前大量市场份额被博世、日本村田、日本尼塞拉占领

毫米波传感器，代表公司有：博世、大陆、海拉、华域汽车、沪电股份、亚太股份。

应用领域大、性能好（精密度高、探测距离高达250米）、技术护城河高，定价权高，在自动驾驶中应用广，主要应用于自动巡航、紧急制动。

目前，市场上代表公司为博世，中国拥有此技术的上市公司为华域汽车

激光传感器，代表公司有：大族激光、亚太股份、巨星科技。

应用领域广、性能好（精密度在所有传感器中最高、探测距离为200米，建立三维模型的功效其他传感器无法替代），定价权高，实时3D建模的功能，是未来自动驾驶的主流

目前代表公司为Velodyne、Ibeo,国内目前没有激光雷达企业，目前研发进度靠前的代表公司有大族激光、巨星科技

综合来看，

传感器行业财报要点之一：技术迭代极快 研发费用、研发费用资本化

如果企业对研发费用全部进行费用化处理，造成的影响是净利润会减少，所得税费用也会减少。