利用人工智能进行SoC预测性布局

人工智能（AI）已经彻底改变了许多市场，包括制造业、制药业、航空航天等，但硬件系统是迄今为止尚未在人工智能方面进行任何重大投资或创新的领域。

虽然在片上系统 （SoC） 生产的端到端生命周期中可以实现许多潜在的机器学习 （ML） 应用，但本文重点介绍 SoC设计的布局规划阶段。毋庸置疑，这是最耗费时间、成本和人力资源的过程之一。具体来说，我们将研究评估使用ML 和优化模型以指数方式减少在此SoC 阶段的投资。

floorplan

半导体芯片由数十亿个晶体管组成。floorplan 涉及将这些晶体管与其他必要的组件（如时钟、电源轨等）一起放置在芯片上。它们的位置经过优化，可实现更小的芯片尺寸、更好的性能、避免时序冲突以及更轻松的布线。设计流程中的这一关键步骤需要门级网表、约束条件、技术库、时序库I/O信息等，如图1所示。

不过，floorplan 规划设计通常需要几周时间才能完成。而机器学习可能会在数小时内执行相同的任务。这有助于更快地将半导体芯片推向市场，并使工程师能够专注于更复杂的工作。

机器学习

机器学习是一种人工智能，它从数据中学习各种模式和见解，并应用这些学习来做出准确而有见地的预测。在ML过程中需要各种步骤来优化floorplan 。

数据采集

floorplan所需的输入，如门级网表、约束、技术库和I/O 信息，都是从经过硅验证的芯片中收集的。

数据预处理

数据收集后，将启动训练 ML 模型的步骤。第一步是以正确的格式获取数据来训练模型，这称为数据预处理。它包括几个阶段，如数据过滤、数据质量检查、数据转换、规范化和标准化等。

模型训练

数据准备完成后，下一步是训练 ML 模型。目标是预测下一个元件在片上放置，同时优化最小功耗、性能和面积（PPA）。强化学习可用于实现这一目标。它采用迭代方法并奖励导致最低 PPA的placements，同时惩罚增加PPA的建议。

模型测试和部署

模型训练后，下一步是在看不见的芯片块上测试模型的性能，以验证其预测的有效性。如果工程师验证的结果令人满意，则可以进行部署了。通过这些步骤进行的芯片块放置预测将比传统方法更有效、更快。

块（block）放置的额外优化

该过程可以在上一阶段停止。然而，通过使用基于混合整数规划（MIP）的优化技术，可以实现整个芯片块放置的进一步优化。该算法将以优化ML模型生成的floorplan 为目标，在指定的设计约束条件下进一步最小化PPA，这些约束条件在数据部分中定义。

使用 MIP 的优点是能够针对不同场景生成优化的解决方案。这在扩展流程以加快设计速度时有很大帮助。整个过程的分步方法如图 2 所示。

算法

强化学习

强化学习是一种 ML，涉及通过试错法采取行动和学习。这是通过奖励导致期望行为的行为来实现的，而不需要的行为会受到惩罚。

尽管有许多类型的强化学习算法类型，但常用的学习方法称为Q学习（图3中定义的方程）。这是当代理没有收到任何策略时（强化学习策略是从当前环境观察到要采取的行动的概率分布的映射），导致对环境的自我指导探索。

MIP 优化

混合整数规划是一种用于解决大型复杂问题的优化技术。它可用于在定义的约束范围内最小化或最大化目标。

MIP 目标和约束定义示例：

优化的价值

使用优化技术来克服流程瓶颈以创建高效的系统并不是一个陌生的概念。几十年前，它已成功应用于各个行业，其革命性的影响尤其体现在供应链管理中，其市场规模为数百亿美元。

使用 AI 优化供应链管理可确保以最低成本在供应链中建立高效的制造、分销和库存放置系统。在新冠疫情期间，当供应链受到严重影响时，这一点变得非常明显。采用供应链优化的公司不仅没有受到疫情的严重影响，而且许多公司甚至能够在其中蓬勃发展。与此同时，未能做到这一点的公司遭受了数十亿美元的损失，至今仍未恢复。

保持警惕

人工智能确实很强大，但它的预测不应该盲目接受，必须由人类工程师来验证。应向输出不符合约束或非最佳错误布局的ML 模型提供反馈。但是，通过一致的反馈，该模型确实会自我改进。硬件行业还应该考虑最初的开销。

结论

利用人工智能（机器学习、深度学习等）在整个硬件生命周期中综合、分析、模拟、部署和推出有效的解决方案还有许多其他实用应用，具有数十亿美元的影响潜力。本文只是通过查看其中一个应用来触及表面。

与软件技术行业类似，硬件技术行业的领导者也应该齐心协力，释放人工智能在这一领域的全部潜力。

原作者：electronicdesign