在电子设计自动化(EDA)领域内,AI驱动的解决方案已经成为强大的工具,但它们通常是增强而非重新定义现有方法。这些解决方案经常从其他领域——如视觉、文本和图形分析——重新利用深度学习模型,并将它们应用于电路设计,而没有针对电子电路的独特复杂性进行定制。这种“AI4EDA”方法未能实现全面的设计综合和理解,忽视了电路数据的电气、逻辑和物理方面复杂相互作用。这篇观点文章主张从AI4EDA向AI原生EDA的范式转变,将AI整合到设计过程的核心。这一愿景的关键在于开发一种多模态电路表示学习技术,旨在通过协调和提取来自各种数据源的洞见——如功能规格、RTL设计、电路网表和物理布局——提供全面理解。我们倡导创建本质上是多模态的大型电路模型(LCMs),这些模型被设计来解码和表达电路数据的丰富语义和结构,从而培育出更加强韧、高效和创新的设计方法。拥抱这种AI原生理念,我们预见一条超越当前EDA创新高原的轨迹,点燃电子设计方法论深刻的“左移”。所设想的进步不仅预示着现有EDA工具的发展,而是一场革命,孕育出新的设计工具——这些工具承诺将彻底增强设计生产力,并开启一个新时代,在这个时代中,电路性能、功耗和面积(PPA)的优化不是通过渐进实现的,而是通过重新定义电子系统能力基准的飞跃来实现的。 https://www.zhuanzhi.ai/paper/b1aa7830f077c335b24b8dc2b9c5a7f1

人工智能(AI)领域在近年来因大型基础模型的出现而发生了深刻的变革。这些模型以其庞大的规模和广泛的适用性为特征,展示了一种理解、预测和生成内容的能力,这种能力的复杂程度以前是人类智能的专属领域。

1.1 基础模型的崛起

大型基础模型代表了AI的一次重大飞跃。这些模型通常使用自监督学习技术在网络规模的数据集上进行预训练,已被适配以在广泛的下游任务中表现出色。在结构化数据丰富的领域,如自然语言处理(NLP)和计算机视觉(CV),这些模型不仅设立了新的基准,而且从根本上重新定义了可能性的范围。 在NLP中,像BERT及其衍生模型(包括RoBERTa和T5)革新了语言理解,尤其是在文本的上下文解释方面,从而增强了复杂的基于语言的任务。同时,仅限解码器的GPT系列展现了惊人的多功能性,擅长从创意写作到代码生成等多样化任务,并指向人工通用智能(AGI)的蓬勃潜力。在视觉AI中,自监督的基础模型在图像理解任务中实现了与全监督方法竞争的性能。

最近,多模态基础模型的出现开启了新的可能性时代,整合了文本、图像和音频等多种数据类型。一个开创性的例子是CLIP模型,通过对比学习有效地连接了语言和视觉数据。这一创新为像DALL-E和Stable Diffusion这样的生成模型奠定了基础,这些模型展示了从文本描述生成复杂图像的能力,无缝融合了视觉和语言理解。此外,最近引入的可提示CV系统(例如,SAM)在图像分割中展现了异常的零次学习泛化能力,使得精确的对象识别和提取成为可能。GPT-4V和Gemini的出现进一步示例了AI的进化,无缝导航和综合多模态信息,从而在各个领域开辟了创新的新途径,从创意内容生成到工程和设计中的复杂问题解决。 尽管有这些进步,电路设计领域只是刚刚开始探索基础模型可以提供的内容。这种犹豫的参与与这些模型为这一重要领域持有的变革潜力形成了鲜明对比。

1.2 电路数据的独特挑战

在电路设计领域,许多新设计与过去的迭代在本质上相似的现象值得注意。尽管存在这些相似性,设计师经常面临从头开始重新创建或重新设计电路的挑战,这是由于满足雄心勃勃的性能、功耗和面积(PPA)目标所需的微妙而关键的细微差别所驱动。这一重复过程凸显了需要一个能够有效利用历史成功和失败的学习解决方案的需求。

AI用于电子设计自动化(AI4EDA)解决方案的出现标志着尝试将机器学习(ML)技术整合到电路设计中。这些进步代表了显著的进展,但通常只是增强而不是重新定义现有方法。通常,AI4EDA重新利用来自其他领域的深度学习模型来执行EDA任务,如PPA估计和优化、验证或故障检测。然而,在传统设计框架的限制下,这些模型更多地作为设计过程中的单独分析工具,而不是作为其整体组成部分,往往无法充分解决电路数据的独特复杂性。

具体而言,电路数据的独特性为机器学习提出了独特的挑战。与文本、图像或常规图数据不同,电路设计将计算与结构复杂地交织在一起。微小的结构变化可以导致显著的功能影响,反之亦然。这种相互依赖使得建模电路的任务高度细腻和复杂。在不考虑上述情况的情况下,现有的AI4EDA解决方案经常在实现电路数据的电气、逻辑和物理方面的多方面相互作用的全面综合和理解方面不足,这对于真正创新的设计综合至关重要。 最近在AI原生电路表示学习方面的进步,如[16]、[17]中所呈现的,已经开始解决这些独特的挑战。采用多模态学习的整合提供了进一步提高其有效性的重大机会。通过采纳现有基础模型在各种数据类型上展示的原则和能力,我们构想了从AI4EDA到AI原生EDA的范式转变。这种转变不仅代表着技术上的进步,而且预示着在电路设计方法和理念上的根本变革。通过将AI核心原理和多模态学习能力融入到电子设计自动化(EDA)的核心,我们可以期待解锁电路设计中的创新潜能,实现更高效、更精确的设计过程,并最终推动电子工业的发展。

综上所述,通过将AI原生方法引入到电路设计领域,我们不仅能够提升设计效率和质量,还能够开拓新的设计范式,克服长期以来困扰该领域的挑战。此外,AI原生EDA的发展还有可能激发跨学科合作,将电路设计与其他领域的先进技术和理念相结合,从而在全球科技创新的大背景下,为电子设计自动化(EDA)领域带来前所未有的变革。

本愿景的关键在于复杂大型电路模型(LCMs)的开发。作为能够整合并解释电路设计特定多种数据类型的模型,LCMs可能会彻底革新电子电路的设计、优化和验证过程。

1.3 AI原生LCMs的可行性和承诺

在半导体设计领域,利用大型电路模型的潜力不仅仅是一个抱负;它植根于丰富的技术进化传统。几十年的研究和开发积累了大量的电路数据。尽管存在专有障碍,但公共领域中有足够的数据[18]、[19]、[20]来支撑健壮、智能模型的开发。该行业悠久的历史提供了丰富注释的数据,这些数据具有领域专业知识,提供了关于电路设计复杂性的深入洞见。

此外,尽管电路类型的范围很广,但它们之间存在的共性超越了个别设计。处理器、域加速器(如数字信号处理器(DSPs)和AI加速器)、通信模块和其他核心组件显示了设计模块重用的模式——算术单元、各种解码器和密码核心只是几个例子。这种一致性提供了一个可预测的模式——类似于归纳偏置——有利于机器学习模型的应用。

尤其是变换器[21]和图神经网络(GNNs)[22]等神经网络架构的进步非常适合捕获电路原理图的复杂、图形状结构。它们提供了一个机会,将设计元素的复杂网络转化为可行的洞见,这是以前无法实现的。其他领域的AI进步,例如具有多模态机器学习能力的CLIP模型[23]和用于代码生成的大型语言模型[24],进一步强调了LCMs在变革应用中的潜力。这些能力可以被适应以解决各种形式电路设计中的独特挑战,实现前所未有的更细致和全面的建模。

总而言之,虽然挑战不小,但LCMs的开发基于历史数据、模式普遍性和尖端计算技术的坚实基础之上。LCMs彻底革新EDA领域的潜力不仅是理论上的可能性,而是一个切实的目标,由历史知识和现代AI进步的融合驱动。通过处理和解释包括示意图、文本规范、寄存器传输级(RTL)设计、电路网表、物理布局和性能指标在内的多种数据来源和格式,LCMs可以促进设计方法论的“左移”。这种主动的AI原生方法使得能够早期识别潜在的性能问题和设计瓶颈,简化测试和重新设计过程,导致更加明智和高效的开发周期。

1.4 本观点文章概述

本文全面探索AI原生EDA的黎明,聚焦于大型电路模型的开发和应用,这些模型本质上融合了多模态数据。文章跨越九个部分,深入探讨EDA的历史演变、当前AI在该领域的状态以及LCMs所塑造的充满希望的未来。 第2节提供了EDA的历史概述,追踪其与半导体行业一起的演变。它强调了该领域如何通过抽象来应对复杂性挑战,为理解LCMs在这一不断演变的景观中的重要性奠定了基础。接下来,我们在第3节讨论当前AI在EDA中的集成,突出显示深度学习如何被利用来改进EDA过程。 第4节我们介绍AI原生LCMs,阐述它们与传统AI4EDA方法的区别。深入探讨了这些模型如何封装电路设计的复杂性,提供了一种更全面的电路分析甚至创造方法。第5节聚焦于单模态电路表示学习的开发,讨论其在构建多模态LCMs基础中的关键作用。探索了这种方法在彻底理解电路数据方面的细微差别。然后,第6节导航至LCMs的多模态整合过渡。讨论了对齐和整合不同设计阶段表示的技术开发,强调了保留原始设计意图的重要性。 第7节通过案例研究和设想场景来阐述LCMs的潜在应用,桥接了理论概念与实际实施之间的鸿沟。第8节我们探讨LCMs在专业电路领域的应用,讨论这些模型如何被适应以满足除标准数字电路之外的多样化电路类型的独特需求,包括标准单元设计、数据通路单元和模拟电路。接下来,我们在 第9节讨论采用LCMs在EDA中呈现的挑战与机遇。它强调了数据稀缺性和可扩展性等问题,以及这些挑战如何促进潜在的进步。最后,文章以第10节的关键见解总结和未来展望结束。它呼吁AI与EDA社区之间持续的合作,并提出了进一步推进该领域的未来研究途径。

通过这一全面的探索,本文展示了AI原生EDA和大型电路模型在改变电路设计和优化领域中的潜在作用,标志着向更高效、更智能的电子设计自动化前进的新时代的开始。此外,通过强调LCMs在处理多模态数据中的能力,本文为EDA领域的研究人员和从业者提供了一个富有洞察力的框架,帮助他们理解如何利用这些先进技术来应对设计过程中的复杂挑战,并开启新的创新途径。

总之,随着AI技术的持续进步和电子设计自动化需求的不断增长,AI原生EDA和大型电路模型的概念和实践将继续引领EDA领域的革新,为未来的电子设备设计和制造开辟新的可能性。这种跨学科的合作和研究努力不仅将推动技术界限的拓展,而且也将为解决日益复杂的设计挑战提供必要的工具和方法论,确保电子行业能够满足未来技术进步和市场需求的步伐。

成为VIP会员查看完整内容
28

相关内容

大模型是基于海量多源数据打造的预训练模型,是对原有算法模型的技术升级和产品迭代,用户可通过开源或开放API/工具等形式进行模型零样本/小样本数据学习,以实现更优的识别、理解、决策、生成效果和更低成本的开发部署方案。
基于大型语言模型的多智能体:进展与挑战综述
最新《生成式对抗网络GAN时空数据应用》综述论文,28pdf
【MIT博士论文】数据高效强化学习,176页pdf
最新《图嵌入组合优化》综述论文,40页pdf
【KDD2020】图神经网络:基础与应用,322页ppt
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
8+阅读 · 2017年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
Arxiv
129+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
319+阅读 · 2023年3月31日
Arxiv
14+阅读 · 2023年3月17日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
8+阅读 · 2017年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员