本文作者： 李飛
本文來源：半導體行業觀察
原文鏈接：https://mp.weixin.qq.com/s/KZO_pWsdWN6p0cBcBN7lgQ
六月底，來自中科院的團隊在預印本平臺arxiv上發表了重磅論文《Pushing the Limits of Machine Design：Automated CPU Design with AI》（機器設計新突破：使用人工智能自動設計CPU），其中使用了人工智能的方法，成功地在5個小時內完成了一個基于RISC-V指令集的CPU的設計，而且該設計經過后端布局布線后已經成功流片點亮并且能運行Linux和Dhrystone。
該論文一經發表，就得到了半導體業界的廣泛關注，我們認為，該論文中提出的方法有其歷史淵源，但是團隊提出了對于已有方法的一種從數學角度來看很優美的改進，從而能夠讓基于機器學習的自動芯片設計成為現實。
首先，我們回顧一下現有的數字芯片設計流程。主流的芯片設計流程是，芯片設計師首先描述數字邏輯設計，而EDA工具軟件則把這樣的電路描述映射到完全等價的數字邏輯電路。在這個過程中，整個數字邏輯或者是用Verilog等硬件描述語言來描述（常常是芯片設計師使用的描述方法），或者是使用等價的布爾邏輯圖的形式來描述（常見于一些EDA軟件的內部優化過程中）。布爾邏輯圖和硬件設計語言兩者是等價的，其特點就是能夠完全描述數字邏輯。例如，如果是一個簡單的有n比特輸入的組合邏輯，那么在描述中就需要能夠生成一張布爾邏輯表格（真值表），該表格需要能覆蓋所有2^n種輸入比特組合的對應輸出。而對于時序邏輯，則還需要考慮內部狀態比特，需要的表格就更大了。
與之相對應的是，基于機器學習的自動設計關注的問題是：如果我們只給出真值表的一部分，能否同樣可以生成正確的數字邏輯？舉例來說，該論文中針對的CPU自動生成的問題，其中有1798個輸入和1826個輸出，在這種情況下如果直接使用真值表需要(2^1798)*1826大小的真值表，這樣大的真值表基本上是不可能在合理的時間內生成的，而且也沒有可行的算法來處理如此大的真值表。對此，論文提出的觀點是，可以使用一種新的算法，該算法可以只使用真值表的一小部分來訓練，就能夠生成自動推理出真值表的其他部分，并且保證有很高的準確度。因此，設計流程就變成了：用戶提供一個芯片邏輯真值表的一部分（需要是高質量數據，能夠抓住電路邏輯的主要特點），機器學習算法根據這個邏輯真值表自動推理并補全真值表的其他部分，并且把該完整真值表送到傳統的EDA工具里去做邏輯綜合和物理設計。因此，電路設計流程也就由大量人工參與邏輯設計迭代（下圖a）變成了用戶提供一個輸入輸出數據集，AI直接綜合出邏輯和電路（下圖b）。
為了實現這樣的功能，論文提出了BSD算法。BSD算法的本質是一種動態圖算法：對于任意的邏輯，它首先生成一個初始的圖（例如，無論輸入如何輸出都是0）；然后隨著用戶提供更多的輸入輸出數據（即提供真值表的一部分），BSD的圖會隨之更新（添加更多邊和節點），從而讓BSD對應的邏輯能夠滿足用戶提供的真值表。例如，在一比特加法器的例子中，一開始的BSD邏輯圖對應的是一個輸出永遠是0的簡單邏輯，但是隨著用戶給出更多的輸入輸出的數據，BSD圖也在不斷地修正，最后當用戶給出足夠多的數據時（不一定需要給出真值表的全部），BSD就收斂到了正確的一比特加法器邏輯。
如前所述，這樣得到的BSD可以通過推理的方法來補完整個真值表，但是這樣的真值表對于現有的EDA軟件來說會太大而無法處理，因此論文又提出了一種BSD圖的處理方法可以把一個大的BSD分解成多個子BSD，并且在每個子BSD中進行圖節點合并以進一步減小BSD圖的大小，最后能把BSD圖中的節點縮減到一百萬個左右，從而EDA工具可以輕松處理。
為了驗證該算法的有效性，團隊選擇了RISC-V處理器作為目標設計。具體來說，在數據集方面，論文團隊使用RISC-V模擬器隨機生成了2^40組輸入輸出數據作為訓練數據，另一方面團隊把之前RISC-V設計中使用的測試樣例（通常是最具有代表性的輸入輸出數據）也加入了訓練集中。值得注意的是，RISC-V CPU的輸入和輸出分別有1789和1826個，因此理論上完整真值表需要有1826*(2^1789)個輸入輸出數據，而團隊使用的訓練數據集只是完整真值表所需數據微不足道的一小部分，同時也可以在合理的時間內產生出來。
之后，團隊使用了該訓練集在5小時內完成了算法的訓練，并且把生成的BSD送入EDA軟件中進行綜合，在經過FPGA驗證后進行了流片，最后CPU芯片能跑在300MHz時鐘頻率并且能成功運行Linux和Dhrystone。
BSD模型對于芯片設計方法學的影響
我們認為，該論文中提出的設計方法對于未來的芯片設計可能有深遠的影響。
首先，該論文中的算法訓練時間僅僅為5小時，這樣的時間遠遠小于常規的處理器完成設計的時間——即使是所有的架構定義和輸入輸出樣例都已經完備，人工完成這樣的設計需要的時間至少是在幾周到一個月的級別，這遠遠高于5小時的訓練時間。更重要的是，未來隨著計算平臺算力的升級，該算法訓練需要的時間可望進一步減小：以目前每兩年人工智能算力翻倍的勢頭來看，大約五年內該訓練時間就可以做到一小時以下。
其次，該算法是典型的數據驅動，需要大量的高質量數據。這意味著未來對于芯片設計來說，如何產生這些數據會非常重要。在論文中，我們可以看到這些數據來源于RISC-V處理器的功能模擬器（simulator），換句話說未來芯片設計師的任務可能會更加集中到上層的功能定義以及描述（例如使用Python或者C語言對于芯片的功能進行建模）。類似的使用高級語言來描述電路并實現綜合的嘗試已經有十余年（例如高級語言綜合High level synthesis，HLS等），但是獲得的成功一直有限，僅僅在一些特定的電路中獲得應用；而如今使用機器學習的方法配合高級語言進行電路功能描述可能是實現類似高級語言綜合的一個可行路徑。
最后，雖然論文中使用機器學習直接產生了一個CPU這樣的大型設計，但是從產業界的角度，更有可能的做法是從中小型IP開始，搭建一個基于AI的設計平臺，并且在經過幾輪迭代后再漸漸推廣到更大的設計，并且最終簡化設計的流程。
BSD與其他人工智能如何進一步推動芯片設計
我們認為，BSD的提出是一個自動設計的一個突破，因為它打破了之前設計綜合需要完整真值表的限制。同時，我們也認為接下來BSD算法會進一步迭代并取得更好的結果，并且和其他人工智能算法一起進一步簡化芯片設計。
首先，論文中提到的BSD的搭建是從零開始，并且通過訓練數據來完成創建。一個有可能的未來發展方向是，如何從一個基礎參考設計開始做一定的改動，來實現一個新的設計？類似的參考設計方法是芯片設計行業的常規操作，而在人工智能業界，相對應的做法就是預訓練和微調——即在較大的訓練數據集上進行訓練實現一個基礎模型，然后使用一個較小的數據集來微調來滿足定制化。如果未來BSD能實現這樣的參考設計和微調，那么將進一步減小對于用戶產生數據量的需求和訓練時間，從而進一步提升BSD的使用體驗。
其次，BSD可以和其他人工智能算法結合來進一步提升設計的效率。例如，目前的ChatGPT類大語言模型對于Python已經有了很好的支持，但是對于Verilog等語言的支持以及設計流程的支持還不夠完備；在未來，對于一個芯片IP的設計，我們可望看到ChatGPT類大語言模型去幫助生成上層使用Python描述的功能模型，使用該功能模型去生成輸入輸出數據，然后使用BSD來完成最終的數字邏輯設計。
綜合上述的分析，我們認為BSD有希望成為未來EDA流程中的重要一環，它可以幫助推動高級語言邏輯綜合，同時也可望和其他人工智能大語言模型一起進一步簡化芯片設計流程，并且大大降低芯片設計需要的時間和成本。未來的芯片設計中，對于芯片設計師的要求越來越多會集中到更上層的功能定義，而不是具體的邏輯編寫。
更多精彩內容歡迎點擊==>>電子技術應用-AET<<
