기계 학습은 EDA 산업의 경쟁력 있는 전제 조건이 되고 있습니다. 대형 칩 제조업체는 이를 승인하고 요구하고 있으며 대부분의 EDA 회사는 설계 흐름에서 하나 이상의 단계에 이를 배치하고 시간이 지남에 따라 훨씬 더 추가할 계획입니다.

최근 몇 주 동안 세 개의 가장 큰 EDA 공급업체는 각각의 사용자 이벤트에서 ML을 도구에 통합하는 것에 대해 대대적으로 발표했으며 전체 칩 산업은 비슷한 방향으로 가고 있습니다. 기계 학습은 칩 설계에 적합합니다. 패턴 인식을 기반으로 특정 작업을 수행하는 방법을 기계에 가르치고 결과는 일반적으로 매우 정확합니다.

이것은 이러한 용어가 종종 같은 의미로 사용되기 때문에 널리 퍼진 혼란에도 불구하고 기계가 보다 독립적으로 작동할 수 있도록 하는 광범위한 AI와 대조됩니다. 완전한 AI는 훈련을 위해 훨씬 더 많은 데이터가 필요하며 결과는 일반적으로 확률로 제공됩니다. 데이터가 많을수록(데이터의 관련성이 높을수록) 정확도가 높아지므로 스마트폰과 자동차의 AI 교육 대부분이 하이퍼스케일 데이터 센터에서 수행됩니다.

칩 설계에 사용되는 데이터의 양은 상대적으로 적고 문제는 매우 복잡하며 종종 설계에 따라 다릅니다. 따라서 EDA 공급업체가 다양한 용도로 AI를 계속 실험하는 동안 초기 구현은 강화 학습이라는 하위 집합을 중심으로 합니다. 이는 감독 및 비지도 학습과 함께 세 가지 기본 기계 학습 접근 방식입니다. 강화 학습은 기본적으로 최적의 행동에 대한 가장 높은 보상으로 슬라이딩 스케일로 행동을 보상하고 지속적인 피드백을 기반으로 해당 행동을 동적으로 조정합니다.

"칩의 물리적 디자인과 그에 대해 수행하는 테스트에 대해 생각해 보십시오."라고 IC EDA의 수석 부사장인 Joseph Sawicki는 말했습니다. Siemens Digital Industries 소프트웨어. “문자 그대로 수십억 개의 패턴이 있으며 이러한 패턴을 특정 순 세그먼트 등에 있는 위치와 연관시킬 수 있습니다. 그런 다음 '이 디자인은 실패했습니다.'라는 테스트 데이터를 얻습니다. 나는 몇 가지 추가 벡터를 실행하고 다양한 실패 로그를 얻습니다. 이 로그는 모두 특정 논리 콘에서 오류가 있음을 알려줍니다. 이제 저는 거대한 회로 설계와 이러한 논리 원뿔을 가지고 있고, 이 물리적 설계를 고려할 때 논리 원뿔이 나쁘고 내 이 영역에서 오류가 발생할 가능성이 높습니다. 그런 다음 물리적 패턴과 상관 관계를 맺고 실패를 얻을 수 있습니다. 한 경우에 우리는 고객에게 '이 한 라인의 이 한 팹에서 일어나고 있는 Via 5 텅스텐 증착이 문제입니다. 그리고 당연히 사양을 벗어났습니다.”

이를 통해 짧은 시간에 훨씬 더 광범위한 실험이 가능합니다. "과거에는 일반적으로 사용자가 다른 조합을 실행하고 특정 PPA에 도달하는 방식이었습니다."라고 사장 겸 최고 운영 책임자인 Sassine Ghazi는 말했습니다. Synopsys. “이제 시스템은 모든 최적화 공간을 살펴보고 지능적으로 여러 작업을 시작합니다. 때때로 그것은 작업을 시작하고 10%에서 그것은 더 나은 곳으로 이끌지 않을 것이라는 것을 알기 때문에 그것을 죽입니다. 그런 다음 다른 브랜치를 백업하고 실행하면 '내가 제공할 수 있는 최고의 결과입니다.'라고 말합니다.”

그림 1: 강화 학습 모델. 출처: 시놉시스

전체적으로 보면 디자인의 복잡성은 합리적인 시간 내에 가능한 모든 조합과 상호 작용을 분류할 수 있는 인간 두뇌의 능력을 훨씬 능가합니다.

"우리는 일부 장치 모델링 및 특성화에 AI/ML을 사용합니다. 키 사이트. “설계 최적화를 살펴보고 많은 시뮬레이션을 실행할 때마다 훨씬 더 효율적인 프로세스가 될 수 있습니다. 예를 들어 서로 다른 채널을 구성해야 하는 6G 시스템을 생각해 보십시오. 표준 접근 방식은 다양한 조건을 시뮬레이션하는 것이며 최적의 결과를 찾는 데 오랜 시간이 걸릴 수 있습니다. 우리는 그 과정의 속도를 상당히 높일 수 있습니다. 따라서 6G에서는 매우 큰 역할을 할 것이며 우리가 작업하고 있는 것입니다.”

마찬가지로 Ansys는 전력망 생성과 같은 애플리케이션에 이를 활용하고 있습니다. “바닥 계획 단계에서 정말 일찍 완료됩니다.”라고 제품 마케팅 이사인 Marc Swinnen은 말했습니다. 안 시스. “몇 가지 기본적인 질문이 있습니다. 스트랩 수, 피치 종류, 스트랩 너비 등이요? 모서리에 몇 개의 비아를 배치해야 합니까? 얼마나 많은 반지? 이것들은 기본적인 아키텍처 질문이며 가능한 많은 조합이 있습니다. 어떤 레이어를 사용할 건가요? XNUMX개의 매개변수에 걸쳐 이를 특성화하고 최적의 피치와 최적의 비아 밀도를 파악하여 최고의 파워를 제공할 수 있는 애플리케이션이 있습니다. 열도 처음 예상했던 것보다 일찍 발생합니다. 우리가 전열 작업을 시작했을 때 우리는 승인을 보고 있었지만 사람들이 초기에 프로토타이핑 단계에서 가장 관심이 있다는 것이 매우 빨리 분명해졌습니다. 그들은 이러한 다중 다이 시스템을 조립할 수 있는 방법 또는 심지어 블로그의 평면도에 대한 빠른 추정을 원했습니다. 처음에 평면도를 잘못 계획하고 마지막에 열 특성만 특성화하고 두 개의 매우 뜨거운 물체를 가까이에 배치하면 함께, 그것은 재앙입니다. 그것에서 복구하는 것은 매우 어렵기 때문에 흐름의 초기에 발생해야 합니다.”

웜 스타트 대 콜드 스타트
특히 강화 학습은 설계 팀이 새로운 설계와 해당 설계의 파생물 모두에 대해 더 나은 결과를 더 빠르게 달성하는 데 크게 도움이 될 수 있습니다.

Anirudh Devgan 사장 겸 CEO는 "이런 종류의 새로운 강화 학습의 주요 이점 중 하나는 EDA 업계가 이전에 적용하지 않은 자동화를 적용하는 것입니다."라고 말했습니다. 운율. “우리의 큰 고객 중 한 명이 장소 및 경로가 지금까지 작성된 상용 소프트웨어 중 가장 정교한 소프트웨어라고 생각한다고 말했습니다. 검증이든 배치 및 경로 지정이든 아날로그이든 이러한 많은 프로그램에는 많은 복잡성이 있습니다. 그러나 EDA는 다중 실행을 최적화하지 못했습니다. 따라서 한 번 실행하고 입력을 받고 출력을 얻습니다. 그리고 다음 실행으로 이동하면 지식 이전이 없습니다.”

지식 이전은 강화 학습의 큰 이점 중 하나입니다. 기본적으로 데이터를 수집하고 저장소에 저장합니다.

Synopsys의 AI 및 기계 학습 담당 부사장인 Thomas Andersen은 "과거에 어떤 것이 효과가 있었다는 지식은 여러 사람의 머릿속에 있습니다."라고 말했습니다. “이 사람들이 다른 회사로 옮기면 어떻게 될까요? 아니면 서로 다른 위치에 있고 서로 대화조차 하지 않는다면 어떻게 될까요? 워터 쿨러에서 '야, 이걸 해봐라. 파워가 더 좋기 때문이다. 이 시스템의 장점은 디자인의 동작을 학습하고 통계 모델을 생성한다는 것입니다. 그래서 다음 번에 설계를 진화시킬 때(다를 수도 있지만 많이 재사용할 수도 있음) 이 모든 지식으로 시작할 수 있습니다.”

이것은 "웜 스타트"라고 하는 것입니다. 점점 더 복잡해지는 디자인과 축소되는 시장 창으로 인해 모든 것을 재설계하지 않고도 시장 출시 시간을 단축할 수 있습니다.

Cadence의 Devgan은 "콜드 스타트를 사용하면 처음부터 배우는 것입니다."라고 말했습니다. “웜 스타트는 회사 내에서 수행할 수 있으며 일부 공통 블록에 적용됩니다. 재사용을 위한 다음 모델입니다. 공통 IP의 경우 사전 학습된 모델에서 파운드리와 작업할 수 있습니다. 모든 데이터는 회사에 있습니다. 당신은 당신 자신의 데이터를 채굴합니다.”

이 접근 방식은 많은 설계 시작을 통해 수집할 수 있는 데이터를 기반으로 합니다. "EDA는 패턴 매칭 기계 학습을 사용하기 위한 완벽한 대상입니다."라고 CMO인 Steve Roddy는 말했습니다. 쿼드 릭. “스테로이드에 대한 최소 컷 알고리즘이 있습니다. 배치해야 할 물건이 수십억 개 있고 경계를 넘는 전선을 최소화해야 합니다. 서로 다른 EDA 도구를 구동하는 알고리즘의 연속적인 반복이 있었고 그들은 모두 복잡한 경험적 방법을 사용하여 '이 모든 것을 배치하려면 가장 짧은 평균 와이어 길이, 전선과 횡단.' 금속 층이 14~82개 있을 때는 쉬웠습니다. 이제 3개의 금속 층과 XNUMXnm에서 XNUMX개의 마스크가 있습니다. 그러나 도구 체인을 통해 실행된 수천 개의 배치 및 라우팅 작업 이력이 있습니다. 패턴 일치 및 일종의 기계 학습 구축을 위한 더 나은 교육 데이터베이스는 무엇입니까? 따라서 수집하는 다음 RTL 세트에 대해 '나는 그것을 인식합니다.'라고 말할 수 있습니다. 머신 러닝은 그게 전부입니다.”

더 많은 데이터, 더 많은 기능
완전한 AI는 더 멀리 떨어져 있고 제대로 하기가 훨씬 더 어렵습니다. EDA 공급업체는 데이터가 충분하고 프로세스에 많은 시간이 소요되어 노력이 필요한 곳이면 어디에서나 이를 활용하기 시작했지만 지금까지는 사용이 제한적입니다.

Siemens Digital Industries Software의 수석 엔지니어링 이사인 Jeff Dyck은 "3억 개의 이미지로 훈련을 하면 염소가 어떻게 생겼는지, 집이 어떻게 생겼는지 배울 수 있습니다."라고 말했습니다. “그렇게 하려면 엄청난 양의 데이터가 필요합니다. 여기서 우리가 하는 일은 다릅니다. 우리가 무언가에 대해 시뮬레이션을 실행하는 이유는 실제로 그에 대한 답을 모르기 때문입니다. 우리는 그것이 어떻게 생겼는지 모릅니다. 우리는 전에 그것을 본 적이 없습니다. 그것은 새로운 디자인이거나 새로운 프로세스 버전 또는 이와 유사한 것에 대한 진화된 디자인일 수 있습니다. 그래서 우리가 처리하는 방식은 그냥 다시 시작하는 것입니다. 우리는 오래된 설계 데이터를 사용하지 않고 다음 제품이 유사하게 작동하기를 바랍니다. 실제 칩 설계에서는 그렇지 않기 때문입니다. 따라서 우리가 하는 일에 대한 큰 데이터 세트에 대한 교육은 그다지 도움이 되지 않았습니다. 우리는 일부 과거 데이터를 사용하며 동일한 디자인에 대해 또 다른 반복을 수행하는 경우와 같이 의미가 있는 포켓이 있습니다. 그러나 당신이 많은 것들을 훈련하고 있고 이전에 본 적이 없는 다음 것이 그렇게 보이길 바란다면 그것은 그다지 유용하지 않습니다.”

더 많은 데이터에 관한 것이 아닙니다. 또한 좋은 데이터에 관한 것입니다. AMD 기술진의 수석 멤버인 Monica Farkash는 최근 패널 토론에서 "내 프로젝트는 결국 너무 많은 데이터를 얻었고 때로는 잘못된 데이터를 얻었음을 깨달았습니다."라고 말했습니다. “대부분의 경우 우리는 데이터를 가져와서 분석하고 그것이 중복된다는 것을 깨달았습니다. 쓸데없는 자료였습니다. 소음도 있고, 무차별적으로 그냥 버려지는 것들이 너무 많습니다. 때로는 데이터의 20%를 사용하기도 하고 때로는 그보다 더 적게 사용하기도 했습니다. 필요한 모양과 형식이 정확히 일치하지 않았습니다.”

이것이 오늘날 완전한 AI 사용이 기계 학습보다 훨씬 더 제한적인 이유 중 하나입니다. 공급업체는 AI를 적용하는 위치에 대해 매우 선별적이며, 작동한다면 칩 설계에 엄청난 변화를 나타낼 것입니다.

Cadence의 Devgan은 “AI의 진정한 가치는 최적화에 있습니다. “AI 초창기였던 패턴매칭이 유용하고 우리는 기하학 처리와 패턴매칭을 합니다. 그러나 진정한 가치는 의사 결정 최적화입니다. 최고의 프레임워크는 무엇입니까? 그래디언트 기반인 모든 종류의 최적화 방법이 있습니다. 그러나 AI가 허용하는 것은 강화 학습이 허용하는 비구배 기반 최적화이므로 적용하지 않은 것에 최적화를 적용할 수 있습니다.”

완전한 AI든 기계 학습이든 업계에는 훨씬 더 근본적인 변화의 가능성이 있습니다. 과거에는 디자인에서 작동하는 것과 팹에서 나온 것이 아닌 것에 대한 가장 가치 있는 데이터였습니다. 거기에서 디자인 팀과 EDA 회사로 흘러들어갔고, 그들은 충분한 데이터를 받지 못했다고 일상적으로 불평했습니다. 그 상황은 수년에 걸쳐 개선되었지만 여전히 편향되어 있습니다. AI/ML을 사용하면 데이터가 두 방향으로 흘러야 하며 이전에는 비실용적이라고 생각했던 방식으로 잠재적으로 결합될 수 있습니다.

Sawicki는 "물리적 디자인 내에서 우리가 작업하는 것 중 하나는 팹 플로어에서 얻은 결함 정보와 관련이 있습니다."라고 말했습니다. “그리고 이제 나는 그것을 다시 묶어 내 이미지 패턴이 어떻게 그것에 연결되어 있는지 이해하고 어떤 다른 패턴이 나빠질 수 있는지 자세히 알아보고 싶습니다. 이는 예를 들어 기계 학습, OPC 등을 수행하는 데 사용되는 Calibre의 다른 부분과 동일한 도구 인프라에서 수행되고 있습니다. 따라서 다양한 애플리케이션에 공통 인프라를 배치할 수 있습니다. Calibre 및 기능 검증을 위해 작동하는 하나의 AI 엔진이 반드시 있다는 의미는 아닙니다. 이들은 매우 다른 문제입니다. 그러나 사람들이 배울 곳 사이에는 많은 상호 작용이 있습니다.”

결론
AI의 하위 집합인 기계 학습과 EDA에 적용하기 훨씬 더 어려운 더 큰 AI를 구별하는 것이 중요합니다. 종종 이 용어는 도구 이름에서도 같은 의미로 사용됩니다. 그러나 실제 AI는 결과가 충분히 정확하고 일관되며 확장 가능한지 파악하는 데 시간이 걸리기 때문에 반도체 설계에 천천히 적용되고 있습니다.

반도체 설계는 훨씬 더 복잡해지고 있으며 고급 패키징으로 이동함에 따라 훨씬 더 도메인에 특화되고 이기종화되고 있습니다. 디자인의 여러 부분에 걸쳐 있는 패턴을 찾은 다음 다른 디자인이나 심지어 파생물에 적용할 수 있는 패턴을 결정하는 것은 EDA 회사에게 큰 도전입니다. 그러나 잠재력을 실현하기 위해서는 오늘날 칩 산업이 가지고 있는 것보다 더 많은 전문 지식이 필요합니다.

AMD의 Farkash는 "인공 지능을 학습 솔루션에 적용하려면 자신이 무엇을 하고 있는지 아는 사람이 필요합니다."라고 말했습니다. “우리는 그들을 교육해야 하고, 그들이 학교에서 나올 때까지 기다려야 하며, 우리가 가야 할 곳으로 우리를 도와야 합니다. 그러나 다른 한편으로 우리는 자신이 무엇을 하고 있는지 안다고 생각하는 사람들을 두려워해야 합니다. 그래서 이것이 가장 큰 도전이 될 것입니다. 기회는 쉽습니다. 저는 머신 러닝 프로세스를 적용한 XNUMX개의 서로 다른 주제에 대해 작업했으며 어디를 보든 대부분 설계 탐색, 검증 및 시뮬레이션을 위한 기회를 봅니다. 어디에나 있습니다.”

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoAiStream. Web3 데이터 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 미래 만들기 w Adryenn Ashley. 여기에서 액세스하십시오.
• 출처: https://semiengineering.com/eda-makes-a-frenzied-push-into-machine-learning/