大模型设计芯片,EDA行业呈现新趋势

来源:爱集微 #ChatGPT# #大模型# #英伟达# #EDA#
10.2w

(文/陈炳欣)自去年11月ChatGPT掀起热潮以来,用大模型设计(或者辅助设计)芯片就被广泛讨论。日前,英伟达宣布发布一款自研430亿参数的大模型,命名为“ChipNeMo”,主要应用于辅助芯片设计;中科院计算所等机构也推出全球首颗完全由AI设计的CPU芯片“启蒙1号”。可以看出,大模型未来将越来越深入地干预到芯片设计当中。这对芯片设计以及EDA工具行业的运行必将会带来更多新的变化。

试水大模型设计芯片

生成式AI无疑是2023年的最大热点,当前围绕这一领域的竞争已趋于白热化,全球从百模大战朝着千模大战的规模奋进。根据近期的报道,英伟达也跨界进入这一领域,宣布开发出一款命名为 "ChipNeMo"的大模型,主要应用于辅助芯片设计,目标是提高芯片设计团队的工作效率。英伟达首席科学家Bill Dally表示,他们的目标是使芯片设计师更加高效。即使通过ChipNeMo只能提高几个百分点的生产率,也是值得的。

据了解,ChipNeMo内置了一个聊天机器人,可以回答有关GPU架构和设计的问题,帮助工程师在早期测试中快速找到技术文档。同时,ChipNeMo还可以完成DEA脚本生成和Bug总结分析等功能,实现芯片设计的辅助。

更令人关注的是,今年年中,中科院计算所等机构还推出了世界首款完全由AI设计的CPU芯片,性能达到与Intel 486相当的水平。据报道,中科院计算所的处理器芯片全国重点实验室及其合作单位的这款无人工干预、全自动生成CPU芯片——启蒙1号,基于32位RISC-V CPU,可运行Linux操作系统,相比GPT-4目前所能设计的电路规模大4000倍。

众所周知,芯片设计是一项非常耗费人力和资源的工作,通常需要由工程师团队编写代码(如Verilog、Chisel或C/C++等),再在EDA软件的辅助下生成电路逻辑。工程师还要针对编写出的代码,反复测试、功能验证和性能/功耗优化。这样的复杂过程往往需要上百人的团队数月甚至数年才能完成。

而大模型的加入或者辅助设计有望在很大程度上优化这一过程,节省成本和人力,加快产品上市周期。英伟达创始人兼首席执行官黄仁勋认为芯片制造是加速计算和AI计算的“理想应用”;AMD首席技术官Mark Papermaster透露,目前AMD在半导体设计、测试与验证阶段均已开始应用AI,未来计划在芯片设计领域更广泛地使用生成式AI。

对EDA 行业带来新改变

EDA软件是芯片设计中的重要一环,可以帮助工程师更好地完成芯片的设计、仿真验证和逻辑综合等任务,确保芯片的功能和性能符合要求,提高芯片设计的效率和准确性。随着大模型越来越深地卷入芯片设计领域,对于EDA行业也将带来相应的改变。

芯华章首席市场战略官谢仲辉就表示,随着大语言模型LLM的逐步成熟,在EDA领域应用大模型智能生成内容确实是一个重要的研究方向,包括代码助手、错例报告总结、验证步骤生成、工具链调用、对话式知识库检索等,都有很大的潜力。

新思科技也表示,AI+EDA让EDA工具更智能,AI技术不仅能自动执行原先芯片设计流程中大量重复且繁杂的工作,还可以帮助人类提高设计的决策效率,开发者便能够专注于最核心也最有价值的领域——芯片创新,而这也降低了整体能源的消耗。此外,AI+EDA可以大幅降低设计工具的使用门槛,解决芯片开发人才短缺的挑战。

事实上,以生成式语言类大模型为代表的AI辅助设计,在EDA的应用中一直有研究,突出表现就是一些工具自动化和智能化方面的发展,也确实在某些方面提升了EDA工具的效率。

谢仲辉强调,这是因为EDA后端的设计和制造涉及到的数据类型,天然地可以被表示为几何图形,因此非常适合把原本应用在图像上的机器学习和深度学习技术做横向的迁移。事实上,在过去几年里,图像已经成为人工智能技术在EDA工具中应用的代表性领域。从之前的市场情况来看,人工智能技术在后端的布局、OPC(光学邻近校正)这两方面的落地最快。部分原因正是因为这两个领域与AI特别擅长的图像处理相关性较高。

在此情况下,很多EDA企业都将大模型作为一个重点研究方向,探索EDA与AI的融合。比如新思科技今年4月就推出了业界首款全栈式AI驱动型EDA解决方案Synopsys.ai,能够让开发者从系统架构到设计和制造,芯片开发的各个阶段都能采用AI技术。据了解,截止9月份,DSO.ai已经成功实现超过270次商业流片。未来新思科技还将推出更多功能,并针对模拟电路设计进行优化,目标到2024年覆盖全流程。

国内厂商方面,芯华章也在占据芯片研发过半的仿真验证、调试等多个工具中融入了AI技术的部分特征,不断推进“EDA+AI”的精确性、可解释性和安全性。比如,在数据的标准化和一致性方面,由于芯华章的工具都基于统一的底层架构和数据库进行开发,利用这一特点,在仿真验证等环节整合AI技术,可以针对性的、可拓展的、高效标准的收集和处理数据,让数据发挥更大的作用。

大模型与EDA尚待深度融合

尽管前景看好,但就当前形势来看,大模型设计芯片还很难取得如外界想象中那样的大幅突破。大模型目前在设计规模、精确度、可重用、安全性与解释性方面仍面临很多难题。对于EDA厂商来说同样如此,无论是对大模型的预训练、领域适应性训练还是微调,都存在难以获取足量的文本类学习数据的难题。

对此,谢仲辉表示,大模型的优势主要在于能接收并理解自由度极高的人类自然语言,能从现有庞大的信息中归纳、整理进而形成有效的信息压缩,以及基于上述条件组织并生成最合理答案的能力。其体现出的强大的理解和生成能力,在某些代码生成的应用上达到了不错的效果,比如能够生成一些基本的和定义清晰的函数、能够与用户进行简单的代码编辑等。这也许会演化出推动EDA更加智能化发展的功能。但如果在更复杂的芯片甚至系统级创新的复杂架构中,仍然需要更高层次的算法优化、结构优化、软硬件协同等。

也就是说,大模型还没有与EDA设计流程形成深入的结合,更多的是通过对现有的用户私有数据和开源数据的利用将一些通用的方案迁移到了EDA的领域里,如之前提到的代码生成、报告总结等。因此,专业的EDA公司需要参与推动技术的进一步发展,让EDA工具流程与大模型、数据三者能形成有机结合,这样才能更全面推动AI辅助芯片设计。

新思科技则指出,对于数据中心、智能驾驶、消费电子、个人电脑与游戏,移动通信与5G等关键领域,AI技术在效率、用户体验和解决问题方面提供了一个全新的机遇。当前,随着生成式AI的加速发展和产品上市周期的缩短,这些领域中应用的创新速度会越来越快,而半导体行业面临的挑战也指数级增长。在新思科技看来,利用AI技术提高芯片开发系统层面的可见性和自动化根源至关重要,在设计、验证和测试工具的自动化过程中也仍然有诸多可以提升之处。比如在工具的易用性方面,新思科技一直致力于让芯片设计工具变得像“美图秀秀”那样简单,这不仅能大幅释放芯片开发团队的生产力,还能催化更大范围的人群加入到芯片设计领域,以更广阔的创造力共同推动数智未来加速到来。

中国厂商的“换道超车”机遇?

值得注意的是,大模型在芯片设计领域的应用发展,或将为中国EDA行业带来新的机遇。对此,谢仲辉认为,国产EDA在成熟工具方面距离国际先进水平还有差距,但在新技术发展上却具有一定后发优势,可以在新技术融合上实现快速进步。其实不只是大模型,在整个AI、云原生等新技术的结合上,国产EDA都有自己的后发优势。一方面,国产EDA会有更少的技术包袱,是在一个全新的架构上做研发,避过一些前人踩过的坑,调整的成本会更小;另外,作为后发者在拥抱新技术上的创新动力会更强,更加渴望抓住“换道超车”的机遇。

整个大模型时代最突出特征就是大,数据大、模型大、成本大,其核心是预训练,在大量数据的投喂下完成智能化学习。但大模型的知识是隐性地存储在神经网络参数中的,是模糊、不可解释的,所以偶尔会产生看似正确的错误,“幻觉”甚至成为大模型的一个固疾。但是,这种情况在成本高昂、精确度要求高的芯片设计行业是不能允许的。

为了更好拥抱地大模型,这就需要在开放性、数据标准化等几个方面进行加强。谢仲辉表示,芯华章一直提倡的EDA 2.0,这些也正是新一代EDA工具应该具备的特征。具体而言,开放性是指,针对大模型的应用场景和需求,设计开放的、可扩展的模型架构和接口,以支持训练数据的快速整合,同时提高模型的灵活性和可扩展性,使其能够适应不断变化的应用需求。数据标准化是指,为了降低大模型训练和理解数据的成本,不同点工具的数据需要统一的格式,打破彼此的壁垒。第三点是可解释性,即针对大模型的复杂性和黑箱特性,通过可解释性算法和技术来提高模型的可解释性和透明度。这有助于开发人员更好地理解模型行为,提高模型的可信度和可靠性。此外还有构筑良好的算力基础。大模型需要更大的训练和推理算力,需要更有效的打破内存墙,因此也需要国产AI和GPU芯片厂商发力,尽快提高国产AI算力和效率。

责编: 张轶群
来源:爱集微 #ChatGPT# #大模型# #英伟达# #EDA#
THE END

*此内容为集微网原创,著作权归集微网所有,爱集微,爱原创

关闭
加载

PDF 加载中...