Искусственный интеллект в проектировании микросхем движется к роли, выходящей за рамки улучшения отдельных инструментов моделирования или планирования, и становится координационным слоем между этапами проектирования, командами, ограничениями и специализированными знаниями. Однако этот переход не означает передачу спецификаций микросхемы или окончательного решения о приемке вероятностным моделям; практическая ценность будет определяться способностью систем передавать замысел проектирования, допущения и доказательства между инструментами без потери их смысла.
Такая потребность возникает в период, когда проекты включают десятки миллиардов транзисторов и объединяют chiplets и несколько шаблонов, тогда как стоимость проектирования на передовых техпроцессах может достигать сотен миллионов долларов. В этой среде один цикл перепроектирования может поставить под угрозу всю программу, а нехватка опытных инженеров делает сокращение времени получения результатов всё более приоритетным.
Проблема находится между инструментами
Проектирование микросхемы проходит через специализированные этапы, включая архитектурное исследование, RTL, верификацию, синтез, планирование и реализацию, анализ временных характеристик и энергопотребления, физическую верификацию, тесты DFT, а затем сопоставление с результатами после производства. Эти инструменты часто разрабатывались разными сторонами, с использованием различных моделей данных, допущений и определений того, что означает завершение задачи.
Поэтому недостаточно просто передавать файлы между инструментами. Необходимо сохранять ограничения, замысел проектирования и инженерный контекст, иначе инженерам приходится заново интерпретировать требования и вручную создавать тесты, свойства и исключения. К часто встречающимся слабым местам относятся отсутствие общей семантической модели, потеря информации при переходе работы от проектирования к верификации, множество форматов данных и закрытых баз данных, а также время, которое инженеры тратят на согласование ограничений, компромиссов и временных исключений между соседними этапами.
Инструмент может достичь локальной цели, например улучшить производительность, но создать последующую проблему с перегруженностью, временными характеристиками или циклами ECO. Отсюда возникает возможность для искусственного интеллекта улучшать весь поток, а не каждый инструмент изолированно от последующих результатов.
От помощника к координатору рабочего процесса
Руководители Siemens EDA, Synopsys, Arteris, Keysight EDA, ChipAgents и других компаний считают, что агентная автоматизация может координировать задачи, на которые раньше уходили недели, например связывать вставку DFT, анализ временных характеристик и исправление проблем. Однако для этого необходим доступ к накопленным командами методологическим знаниям и единое представление замыслов проектирования, а не только возможность вызывать инструменты.
Предлагаемые варианты применения охватывают диапазон от циклов оптимизации на границах инструментов до уровней помощников и агентов, связывающих этапы архитектуры, RTL, верификации и физического проектирования, а затем до уровня интероперабельности, основанного на нейтральных по отношению к поставщику моделях данных. В качестве примеров необходимой инфраструктуры упоминаются такие инициативы, как Schema Ontology от Si2 и CDC/RDC Integration Standard от Accellera, чтобы агенты могли интерпретировать результаты инструментов без повторного построения контекста при каждом переходе.
Что доказывает правильность результата?
Одной скорости недостаточно в проектировании микросхем. Искусственный интеллект может предложить свойства, утверждения или исправления, но предложение остаётся гипотезой, пока его не проверит детерминированный механизм. Как поясняется в анализе, запуск языковой модели или получение ответа на prompt не является доказательством; доказательство — это полный результат, полученный относительно корректного свойства и воспроизводимый.
Поэтому практические модели стремятся оставить спецификации и решение о sign-off инженеру, изолируя предлагаемые изменения в среде sandbox и проверяя их до утверждения. Агент может анализировать сбои, предлагать исправление, повторно запускать regression, а затем показывать инженеру изменения и результат вместо непосредственного редактирования кода.
Осторожность становится ещё более важной, поскольку сами инструменты верификации могут содержать ошибки. В материале говорится об исследовании, выявившем 16 отдельных ошибок в трёх коммерческих инструментах проверки эквивалентности между C и RTL, включая случаи, когда инструменты объявляли эквивалентными неэквивалентные проекты. Поэтому автоматизация должна передавать не только данные, но и границы каждого результата, его допущения, доказательный статус и журнал воспроизведения.
Почему этот переход важен?
Следующим конкурентным критерием в EDA будет не количество агентов и не объём времени, сэкономленного отдельным инструментом, а способность потока создавать проверяемые аудитом доказательства на своих границах. Это особенно важно для проектов, связанных с безопасностью, защищённостью и автомобилями, где недостаточно сказать, что система достигла сходимости за меньшее время; необходимо знать, какие свойства доказаны, какие по-прежнему ограничены, что предложил искусственный интеллект и что не было проверено.
Ограничения остаются очевидными. Современные модели пока недостаточно специализированы, дёшевы или осведомлены о физике, чтобы по запросу генерировать RTL или аналоговые компоновки, передовые корпуса или полностью оптимизированные netlists с окончательной проверкой. Кроме того, добавление интерфейса искусственного интеллекта не устраняет узкое место, если настройка моделирования по-прежнему занимает часы, а его запуск — дни. Ценность появляется тогда, когда базовая аналитика быстра, автоматизирована, детерминирована и пригодна для использования по мере изменения проекта.
Главный вывод здесь заключается в том, что искусственный интеллект не устранит границы между спецификациями, реализацией, верификацией и утверждением. Но он может сократить стоимость согласования на каждой границе при условии, что эти границы превратятся из мест потери смысла в точки накопления доказательств. Практически наиболее реалистичной остаётся следующая модель: искусственный интеллект используется для исследования, координации и ускорения, а детерминированные EDA-механизмы — для доказательства корректности результата.