by Bryan Chin, Jishen Zhao, Haoxing (Mark) Ren, Stelios Diamantidis, Hans Bouwmeester, Hanxian Huang on Oct 16, 2024 | Tags: AI Agents, Chip Design, Large Language Models
新的硬體能力使許多產業和應用中的轉型 AI 技術成為可能。其中一個產業就是硬體設計本身,這正是最初使 AI 能力增強的學科。在 2024 年的 Hotchips 大會上,我們舉辦了一場教程,概述了影響我們設計晶片的轉型 AI 技術。這篇部落格文章提供了該教程的簡要總結。
教程概述
計算機架構社區擁有豐富的歷史,設計晶片的方法和工具隨著時間的推移而演進。最近,像 Google 和 Nvidia 這樣的公司展示了在晶片設計方法中整合尖端 AI 的成果。因此,在討論今年 HotChips PC 會議的主題時,我們決定專注於 AI 如何開始影響處理器設計(更廣泛地說是數位晶片設計),以及這些能力如何在不久的將來演變以重塑晶片設計實踐。
該教程分為幾個部分,按照 AI 在晶片設計中的發展順序:晶片設計中的使用AI 的歷史 、大型語言模型 (LLM) 背後的基本概念、LLM 的應用、檢索增強生成 (RAG) 和晶片設計 AI 代理。一般來說,AI 可以用來探索極大的設計空間。在設計晶片時,工程師通常面臨許多選擇和限制。設計空間包括邏輯、面積、單元庫、製程參數、EDA 工具選擇和配置的權衡。AI 可以幫助設計師探索設計空間並整合領域特定知識。
分析、優化與輔助
專門針對晶片設計的 AI 技術可以分為三大類:分析、優化 和 輔助。
分析 涉及利用 AI 解釋與晶片設計相關的數據,使設計師能夠對晶片的實現方式做出選擇。一個例子是分析時序或佈局佈線工具的輸出,以了解是否滿足特定的性能、功耗或面積目標。
優化 工具可以利用 AI 基於指定約束來改進設計。例如,AI 技術可以應用於邏輯綜合或單元佈置,以探索眾多設計解決方案。
輔助的想法是使用 AI 幫助工程師執行涉及高維輸入的高級設計相關任務,這些輸入代表設計權衡。基於這些輸入計算輸出的“成本”可能計算成本很高。因此,如果不使用一些估計技術,自動探索設計空間可能不切實際。傳統上,人類直覺、經驗和高級模擬模型用於確定“最佳”設計。然而,AI 軟體可以估計哪些設計更有可能以更低的計算成本接近最優性,而不是運行實際模擬。
RAG 還可以用於閱讀特定 RTL IP 的庫文檔,然後生成組件之間的模組連接。例如,用戶可能會要求 RAG 模型“為連接 AXI-APB 橋 IP 和 RTC IP 的模組提出頂層 Verilog”。然後,模型訪問 AXI-APB IP 和 RTC IP 的一些文檔並生成 Verilog 模組介面。請注意,LLM 並沒有針對該庫進行特定訓練,而是將其用作外部來源。
晶片設計的任務包含複雜的權衡和領域特定知識。過去曾將 AI 用於晶片設計過程的部分。最近,AI 在更高級別的複雜任務中找到了更多應用。分析、優化和輔助的廣泛類別代表越來越困難的任務。隨著 AI 的發展,我們開始看到 AI 在許多不同且複雜的晶片設計任務中的應用。在本文中,我們僅簡要描述了 AI 影響晶片設計的一些領域。鼓勵感興趣的讀者訪問 HotChips 觀看完整教程並訪問相關材料(對於未參加會議的人,視頻和材料將在 2024 年 12 月提供給非與會者)。我們希望該教程能夠激發對晶片設計中 AI 的更廣泛認識,並激發該領域的新想法和應用。