不斷的更新、更多的變量以及對性能的新要求正在推動設(shè)計前端發(fā)生變化。

原型設(shè)計是設(shè)計復雜芯片的一項重要技術(shù)，對于越來越多的包含人工智能/機器學習的設(shè)計來說，原型設(shè)計變得越來越具有挑戰(zhàn)性。

原型設(shè)計允許在實際芯片可用之前開發(fā)和測試軟件。反過來，這使得多個團隊能夠同時進行設(shè)計，并且允許對不同的選項進行更多的實驗，以查看最適合的特定應(yīng)用程序的選項。

Cadence產(chǎn)品管理總監(jiān) Lance Tamura 表示：“設(shè)計尺寸已經(jīng)限制了仿真可以支持的內(nèi)容，精確到各模塊或非常短的測試用例。人工智能一直是仿真和原型平臺發(fā)展的重要推動力，因為它需要大量定制芯片。因此，人工智能推動了設(shè)計尺寸的增長，從而導致對仿真和原型設(shè)計的需求不斷增長。”

但人工智能/機器學習的推出，以及對算法的不斷優(yōu)化和改變，也給運行良好的設(shè)計流程增加了一些不確定性。軟件的變化可能會影響數(shù)據(jù)在芯片或封裝中的移動方式、存儲方式和位置，并且可能會產(chǎn)生影響性能、功耗和可靠性的新壓力點。

Quadric首席營銷官 Steve Roddy 表示：“作為一般規(guī)則，系統(tǒng)仿真一直是SoC的任何高性能'數(shù)據(jù)平面'元素的關(guān)鍵步驟，到 2023 年，今天的新情況是，機器學習推理的快速發(fā)展同時擾亂了幾乎所有類型的子系統(tǒng)。經(jīng)過驗證的構(gòu)建模塊的已知特征可能允許團隊使用啟發(fā)式方法來調(diào)整系統(tǒng)資源（內(nèi)存、總線帶寬、I/O 帶寬、電源管理）的大小，但這些特征都被破壞了?！?/p>

Roddy 表示，這適用于圖形引擎（使用機器學習推理進行動態(tài)超級縮放和放大）以及 Wi-Fi 子系統(tǒng)（可能使用新穎的機器學習算法來改進波束形成或星座解碼）。它還適用于深度學習網(wǎng)絡(luò)，包括語音增強和攝像頭。

他說：“這些新穎的機器學習工作負載中的每一個都可能需要同時運行，而且隨著數(shù)據(jù)科學家?guī)缀趺總€月都發(fā)明新的網(wǎng)絡(luò)圖，每一個工作負載都可能會迅速變化?！薄霸趯⒋罅繖z查寫入掩模車間之前，先進行仿真，然后進行 FPGA 原型設(shè)計，這實際上是完全完成設(shè)計的唯一方法?！?/p>

甚至在人工智能推出之前，原型設(shè)計就已經(jīng)被推到了極限。雖然設(shè)計團隊欣賞原型設(shè)計的價值，但他們希望不要花那么長時間或在此過程中進行太多迭代。

“縮短獲得工作 FPGA 原型的時間是客戶的首要要求，”西門子EDA原型產(chǎn)品戰(zhàn)略總監(jiān) Juergen Jaeger 表示。“一旦原型運行并發(fā)揮作用，每個人都會欣喜若狂，因為現(xiàn)在你有了設(shè)計的前期版本。你可以啟動操作系統(tǒng)并通過它真實運行的網(wǎng)絡(luò)流量，以查看系統(tǒng)的實際行為?！?/p>

如何實現(xiàn)工作？

原理 模擬、仿真和原型設(shè)計就像虛擬凳子的三個腿。通常，從模擬開始，這是一種基于軟件的驗證方法，其中設(shè)計的過程主要是在軟件中創(chuàng)建的，無論是VHDL、Verilog、SystemVerilog還是SystemC?！熬推浔举|(zhì)而言，模擬的好壞取決于你在測試平臺上提出的一系列問題，”Jaeger 指出。“而且因為它全部通過軟件在計算機上運行，所以它也是這些方法中最慢的?！?/p>

仿真更進一步，將設(shè)計映射到仿真器本身?！霸撛O(shè)計在硬件上運行，你可以將模擬器視為用于模擬的大規(guī)模并行計算引擎、加速器，”Jaeger 說?！叭缓螅捎诜抡孢\行得足夠快，除了測試臺之外，你還可以將真實的顯示器或鍵盤或鼠標連接到它。這形成了一個更完整的驗證環(huán)境，因為你不再依賴于向測試平臺提出的問題?！?/p>

原型設(shè)計更進一步，有效地創(chuàng)建設(shè)計的數(shù)字孿生，并將其映射到 FPGA 中，從而在 ASIC 成為芯片之前對其功能進行測試?；?FPGA 的原型設(shè)計通常是三步流程中的最后一步。

“這三者相互補充，并在項目的不同階段使用，”Synopsys 產(chǎn)品營銷總監(jiān) António Costa說?！霸谠蜕希憧梢該碛鞋F(xiàn)實世界的界面。例如，如果你想與 PCIe 5.0 交互，你需要一個以非常高性能運行的原型。進行一致性測試的唯一方法是使用你計劃在 SoC 中使用的軟件快速運行該接口。”

變革策略

在復雜的設(shè)計和新的應(yīng)用領(lǐng)域中，所有這些都變得更加困難，因為算法處于不斷變化的狀態(tài)。雖然設(shè)計在仿真和仿真后可能會完美運行，但在數(shù)月或數(shù)年后，隨著軟件更新和系統(tǒng)優(yōu)化的不斷進行，它的表現(xiàn)可能會大不相同。

對于預期壽命為幾年的消費設(shè)備來說，這可能不是問題，但在汽車或數(shù)據(jù)中心應(yīng)用中情況就完全不同了，在這些應(yīng)用中，芯片預計能按預期運行更長時間。在汽車和 5G/6G 等市場中，已經(jīng)實施了法規(guī)和標準，以確保設(shè)計不會偏離原始規(guī)范太遠。“如果你不符合規(guī)定，如果有不兼容的東西，你可能不會被授權(quán)出售，” Costa說?！斑@非常重要，是每次開發(fā)都需要完成的最后一項?！?/p>

Costa 強調(diào)這是一個至關(guān)重要且經(jīng)常被忽視的失敗點，也是為什么原型設(shè)計永遠不能被跳過的原因。芯片可能會出色地通過模擬和仿真，但隨后會在市場上失敗，因為它無法通過標準協(xié)議連接。

即使在這種傳統(tǒng)的三步流程的范圍內(nèi)，設(shè)計團隊也可能會針對不同的應(yīng)用程序進行一些調(diào)整。“雖然有些人認為模擬、仿真和原型設(shè)計是按順序進行的，但實際上它們通常是并行發(fā)生的，因為在某些事情上，一種技術(shù)可以比另一種技術(shù)做得更好，”Imperas 軟件銷售和營銷副總裁 Larry Lapides 說道。“模擬本質(zhì)上是一種白盒技術(shù)，可以洞察正在發(fā)生的一切。然而，如果你使用硬件，則并不總是可以獲得所有信息。我們的用戶從仿真開始，在投片前使用它，但也在投片后使用它，因為仿真提供了可觀察性、自動化的簡易性和可控性?！?/p>

其中許多變化是對日益復雜的設(shè)計以及共同設(shè)計硬件和軟件以最大限度地提高每瓦性能的需求的反應(yīng)。這會產(chǎn)生一些可預見的問題。

“硬件和軟件團隊不一定知道如何相互溝通，他們來自不同的角度，” Lapides說?！坝布藛T喜歡模型。但如果他們正在構(gòu)建 A、詳細模型，以及 B、完整 SoC 的模型，這些事情將會減慢軟件開發(fā)的模擬環(huán)境。你不需要對 SoC 上的所有內(nèi)容進行建模，不需要了解處理器管道的詳細級別，也不需要對通信以太網(wǎng)協(xié)議進行物理實現(xiàn)。你需要專注于用現(xiàn)實的、可實現(xiàn)的里程碑來定義項目，這些里程碑是相互依存的?！?/p>

人工智能/機器學習可能會進一步模糊這些界限?！癐P 核供應(yīng)商面臨著生產(chǎn)準確的 SystemC 處理器和加速器模塊模型的壓力，芯片制造商可以在早期系統(tǒng)模型中結(jié)合這些模型來運行早期軟件，”Quadric的Roddy說?！靶酒圃焐炭赡軙诖笮头抡嫦到y(tǒng)中對大部分或全部完整SoC進行原型設(shè)計。對于選擇與內(nèi)部硬件團隊一起構(gòu)建NPU加速卸載引擎的半導體設(shè)計團隊來說，這給這些團隊帶來了聘請SystemC建模專家的負擔。事實上，芯片集成商早在加速器塊之前就需要C模型，因為只有當精確的模型運行時，集成商才能知道加速器具有正確的規(guī)格。”

這個等式的另一面是人工智能可以用來幫助解決這些問題，特別是在平面規(guī)劃方面。自我改進的啟發(fā)式算法可以從以前的嘗試中學習，可以預測哪些設(shè)計可能會在布局布線上失敗，并且應(yīng)該有助于避免此類問題?！斑@對生產(chǎn)力來說是一個巨大的提升，因為現(xiàn)在意味著你不必等待 20 個小時直到出現(xiàn)故障，而是一分鐘后就知道它將出現(xiàn)故障，并且你甚至可以在運行布局和布線之前修復它，”Jaeger 說。

改變重點

人工智能還可以改變?nèi)笾е南鄬r值。“如果你正在定義一個人工智能系統(tǒng)，你就擁有頂層的人工智能算法，并且你必須能夠從這些算法編譯到某個中間級別，這將利用底層的架構(gòu)，”Imperas 的 Lapides 說道?！叭缓蟊仨殦碛杏布幾g器，它將獲取這些單獨的部分并將它們編譯為核心，之后必須在數(shù)十億個場景中運行它。能夠在正常的原型設(shè)計環(huán)境中使用 FPGA 原型（其運行速度為 50 兆赫茲）或在硬件仿真器（其運行速度可能為 5 兆赫茲）中完成此操作，而不是直接執(zhí)行在將以數(shù)百兆赫茲運行的仿真環(huán)境中，這意味著仿真具有真正的優(yōu)勢。它不能做所有事情，但它可以做很多事情來幫助優(yōu)化從算法到芯片上的分布式人工智能加速器的人工智能編譯步驟。我們的客戶正在構(gòu)建人工智能設(shè)備，這些設(shè)備并行使用數(shù)十到數(shù)百個模擬許可證來幫助進行功能正確性測試和優(yōu)化?！?/p>

弄清楚使用哪些工具、何時使用它們以及如何劃分設(shè)計本身就是一個越來越大的挑戰(zhàn)。

“現(xiàn)有的分區(qū)算法仍然相當有效，但實現(xiàn)非?？斓木幾g時間和快速運行時間仍然是一個挑戰(zhàn)，”Cadence 的 Tamura 說?！半S著設(shè)計尺寸的增長，這變得更加困難。人工智能算法不僅有可能為當前平臺提供有效的分區(qū)解決方案，而且還可能影響未來平臺的架構(gòu)?！?/p>

尋找最佳方法可能需要與各種供應(yīng)商交談，并仔細研究技術(shù)論文以了解哪種方法最適合哪些應(yīng)用程序。它還可能需要縮小芯片制造商的關(guān)注范圍，將選擇的數(shù)量限制在那些經(jīng)過芯片測試的產(chǎn)品上。

“盡可能標準化你的設(shè)計方法和工具，”是德科技ASIC 設(shè)計經(jīng)理 John Mick 建議?！霸诓迦肷a(chǎn)流程之前開發(fā)測試用例以證明流程的更改。對多個設(shè)計使用相同的工藝節(jié)點。遷移到新節(jié)點意味著新的 IP 和設(shè)計規(guī)則集，這可能會導致 ASIC 開發(fā)時間延長數(shù)月。”

也就是說，這些設(shè)計的復雜性以及針對特定應(yīng)用程序和用例的定制可能會對最有效的方案產(chǎn)生重大影響。“客戶應(yīng)該了解他們正在尋找的關(guān)鍵功能，”Jaeger 說。“例如，如果你的目標是主要運行軟件，那么盡可能高的性能就是你的第一要務(wù)。如果你想主要確保 RTL 功能正常，并且不必進行芯片重新設(shè)計，那么調(diào)試功能對你來說是最重要的?！?/p>

就這一點而言，EDA 工具提供商通常會提供量身定制的產(chǎn)品?！袄?，是德科技與模擬器無關(guān)，因此我們不使用‘固定’供應(yīng)商流程。我們優(yōu)化設(shè)計流程以與不同的供應(yīng)商合作。這意味著我們已經(jīng)開發(fā)了數(shù)百個腳本來處理這些工具并使其全部正常工作，” Mick說。

Synopsys 的 Costa 補充說，所有這些建議可能看起來都是顯而易見的，但在緊要關(guān)頭，當團隊擔心時間和預算時，它們很容易被忽視。這最終可能會花費更多的時間?！叭绻闳匀恍枰刻旄?RTL，那么現(xiàn)在進行原型設(shè)計可能還為時過早。你應(yīng)該返回仿真，并確保設(shè)計狀況良好。最重要的是，制定可靠的計劃是知道何時停止的關(guān)鍵?！膀炞C永無止境，”Jaeger說。

結(jié)論

芯片制造商可用的選項數(shù)量，以及終端市場對高度定制解決方案（包括某種形式的人工智能/機器學習）的需求，以及每瓦性能的數(shù)量級改進，正在使現(xiàn)有工具和方法遠遠超出其最初目標。

對于芯片制造商來說，關(guān)鍵是限制有意義的選項數(shù)量，以便保持專注，并在設(shè)計可以從中受益的地方利用任何可用的新技術(shù)、工具和方法。盡管如此，仍有更多的變量需要應(yīng)對，更多的挑戰(zhàn)可能是獨一無二的，可能沒有單一的解決方案。這些變化使設(shè)計過程變得更加有趣和創(chuàng)新，但這種自由度是有代價的。







審核編輯：劉清