根據NVIDIA首席科學家在國際設計自動化會議（DAC）中詳細介紹的研究，機器學習和加速計算正在幫助工程師更快更好地設計出半導體。
NVIDIA首席科學家Bill Dally今日在國際設計自動化會議（DAC）線上主題演講中表示，AI能夠設計出人類無法設計的晶片。DAC是目前全球規模最大的半導體工程師會議之一。
Bill Dally談及了加速計算和機器學習方面的研究，這些研究讓晶片變得更小、更快、更高效能。
Dally負責NVIDIA Research —— 一支200多人的團隊。他表示：“我們的工作表明，使用GPU加速系統可以給晶片設計帶來數量級的提升。藉助AI，能夠得到超水平結果——勝於任何人類能夠設計出的電路。”
電路和電路板雙雙受益
Dally列舉了GPU和AI為晶片和電路板設計工作流程所帶來的改進——從電路的佈局，到印刷電路板影象的快速渲染。
在一個使用GPU進行加速的突出示例中，他提到了NVIDIA計劃在明年一場大會上展示的研究。與當今執行在CPU上的商業工具相比，GATSPI工具將晶片邏輯的詳細模擬速度提高了1,000倍以上。
GPU加速模擬工具GATSPI可在數秒內完成目前在CPU上需要執行一整天才能完成的工作
今年DAC上的一篇論文描述了NVIDIA如何與領先的EDA軟體供應商Cadence Design Systems合作，在NVIDIA GPU上使用圖形技術來渲染電路板設計。基於兩家公司的此次合作，Cadence 於6月釋出在Allegro X平臺的互動操作效能提高了20倍。
Dally表示：“工程師們過去在每次編輯或平移影象後都要等待程式的響應，這種工作方式常常令人陷入無奈的窘境。但有了GPU之後，該流程就具有了真正的互動性。”Dally在2009年加入NVIDIA之前，曾擔任斯坦福大學計算機科學系主任。
強化學習帶來回報
本週的DAC會議上還介紹了一種名為NVCell的技術，該技術使用強化學習來自動執行晶片的基本組成部分——標準單元的佈局設計工作。
透過此方法，這項通常需要10人團隊花費數月才能完成的工作，就變成了一個只需數日就能完成的自動化流程。Dally表示：“這讓工程團隊能夠集中精力攻克一些更為棘手、需要人工設計的單元。”
另一個強化學習的例子，是NVIDIA研究員將在DAC上介紹的一個名為PrefixRL的新工具。該工具可以發現加法器、編碼器或自定義設計等電路的設計方法。
PrefixRL將設計流程視為一場遊戲——追求為電路找到最小的面積和功耗。
透過AI最佳化流程，工程師們就能得到比目前工具更高效的裝置。這個示例充分展示了AI如何完成人類無法做到的設計。
充分運用各種AI工具
NVIDIA與德克薩斯大學奧斯汀分校合作，開展了一個名為DREAMPlace的研究專案，該專案創新地使用了一個用於深度學習的常用軟體框架——PyTorch。該專案對這一用於最佳化神經網路權重的框架進行了調整，以找到最佳位置，即能夠在更大的晶片中放置一個含有1000萬個單元的塊（block）。
即使在CPU上使用當今最先進的技術，也需要近四個小時才能完成這項常規工作。而在資料中心或雲服務中的NVIDIA Volta架構GPU上執行時，只需要短短5分鐘，速度提高了43倍。
更快獲得更清晰的影象
為製造晶片，工程師們需要使用光刻機，將設計投射到半導體晶圓上。而為了確保晶片的效能符合預期，他們必須面對一項重要挑戰——精確模擬影象。
NVIDIA研究員建立了一個能夠理解該光學流程的神經網路。與目前最先進的機器學習方法相比，該神經網路的晶圓影象模擬速度加快了80倍，並且精度更高，所使用的模型也小了20倍。
這是工程師結合加速計算和人工智慧，更快地設計出更高效能晶片的又一個例子。
AI驅動未來
Dally表示：“NVIDIA使用了一些AI技術來設計現有的GPU，未來我們計劃使用更多此類技術”
“我預計，未來的標準EDA工具也將採用AI，讓晶片設計師的工作更輕鬆，並打造出更高效能的晶片。”
如欲觀看Dally的主題演講，請使用ILOVEDAC程式碼註冊DAC，獲取免費通行證.
