（文章來源：EDA365網(wǎng)）

今年的集成固態(tài)電路會議（ISSCC）的主題是“為AI時代提供動力的集成電路”，而開幕全體會議的目的是描繪AI“折疊”半導(dǎo)體空間的程度。

Google AI 負責(zé)人Jeff Dean、聯(lián)發(fā)科高級副總裁Kou-Hung Loh、Imec項目總監(jiān)Nadine Collaert、IBM Research總監(jiān)Dario Gil分別解釋了電子領(lǐng)域?qū)I的期望要求，例如，如何驅(qū)動專門為AI應(yīng)用而設(shè)計的新型處理器（以及CPU和GPU）;促進結(jié)構(gòu)創(chuàng)新（例如小芯片，多芯片封裝，中介層）;甚至影響著量子計算的發(fā)展。

ISSCC會議于上周在舊金山舉行，會議期間谷歌表示人工智能對電路設(shè)計同樣重要，并且宣布谷歌正在嘗試利用機器學(xué)習(xí)來解決集成電路設(shè)計流程中自動化布局布線問題，并且得到了不錯的效果。

人工智能的應(yīng)用這幾年來也一直是電子領(lǐng)域的研究熱點和重點。這個方向吸引了大量半導(dǎo)體研究人員從事傳統(tǒng)方向和人工智能結(jié)合的相關(guān)研究。尤其是今年的集成固態(tài)電路會議（ISSCC）甚至把會議主題定為：“用集成電路推動AI新時代”。而開幕式也將此次會議的目的陳述為探討AI對半導(dǎo)體領(lǐng)域研究的影響。

開幕式的四位發(fā)言人解釋了人工智能的需求是如何推動設(shè)計AI專用的新型處理器（相比于CPU和GPU）、如何促進結(jié)構(gòu)創(chuàng)新（例如采用小芯片，多芯片封裝，或者插件式設(shè)計）、甚至如何正在影響未來量子計算的發(fā)展。

會議的第一位發(fā)言人是Google AI負責(zé)人Jeff Dean。Jeff Dean提到谷歌正在通過實驗，嘗試利用機器學(xué)習(xí)執(zhí)行集成電路設(shè)計中的布局布線任務(wù)，也就是讓AI學(xué)習(xí)集成電路中的布局布線，節(jié)省設(shè)計專家的人力勞動。人類ASIC專家的布局布線結(jié)果和一個低功耗ML加速器芯片的布局布線結(jié)果對比。谷歌故意遮蓋了部分圖像。

Jeff Dean首先簡要介紹了AI和ML的發(fā)展歷史，接著介紹了機器如何學(xué)習(xí)玩雙陸棋，深藍如何下國際象棋, alphago如何擅長下圍棋 。以及現(xiàn)在的AI可以應(yīng)對非常復(fù)雜的視頻游戲（例如《星際爭霸》）并且取得了“具有里程碑意義的成績”。同時 機器學(xué)習(xí)還被廣泛應(yīng)用于醫(yī)學(xué)成像，機器人技術(shù)，計算機視覺，自動駕駛，神經(jīng)科學(xué)，農(nóng)業(yè)，天氣預(yù)報等領(lǐng)域。

數(shù)十年來，推動計算技術(shù)發(fā)展的基本思想是：問題越大，我們就給它更強的計算能力。如果你擁有的處理能力越強，你就可以解決的更大的問題。在一段時間里，這個規(guī)則也適用于解決AI問題。但是，這個規(guī)則很快就被爆炸式增長的問題空間所打破。因為我們根本無法攢夠足夠多的CPU/GPU來解決這樣的問題。

事實證明，AI / ML不需要典型的CPU / GPU的復(fù)雜功能，所需的數(shù)學(xué)運算也更簡單，而且要求的精度也低很多。這個發(fā)現(xiàn)帶來的影響是：專用的AI / ML加速器不必像CPU / GPU那樣復(fù)雜?；诖薌oogle設(shè)計了TensorFlow加速器，并且已經(jīng)推出第三代產(chǎn)品，第四代產(chǎn)品也很快會發(fā)布。AI / ML處理器設(shè)計相對簡單，因此也相對便宜，所有這些都使得將機器學(xué)習(xí)進一步推向網(wǎng)絡(luò)邊緣變得更加容易。截至2019年，Google已經(jīng)擁有一款可在智能手機上使用的非常緊湊的模型。

當(dāng)前階段每個基于AI的應(yīng)用程序（自動駕駛，醫(yī)學(xué)成像，游戲）都是通過訓(xùn)練專用的AI / ML系統(tǒng)而實現(xiàn)。那么，AI能將一個系統(tǒng)上學(xué)到的知識應(yīng)用到從未見過的新系統(tǒng)中嗎？答案很明確：“YES”。

“我之所以提出這一點是因為我們開始考慮將AI用于ASIC設(shè)計中的布局布線” Jeff Dean說，“布局布線的難度遠遠大于圍棋：目標更模糊，問題規(guī)模反而更大”。Google已經(jīng)創(chuàng)建了布局布線的學(xué)習(xí)模型，然后嘗試該工具是否可以進一步推廣。Jeff Dean說“到目前為止，我們在所有嘗試中都獲得了非常好的結(jié)果。它的性能要比人類好一些，有時甚至要好很多?！?/p>

Google將使用機器學(xué)習(xí)布局和布線的效果與商用軟件進行了比較。測試電路是幾個不同的模塊，包括Ariane RISC-V CPU。

“更好”指的是在非常短的時間內(nèi)完成布局布線。如果讓人類設(shè)計專家完成這項任務(wù)通常需要一周甚至數(shù)周時間。而ML布局布線器通常在24小時內(nèi)就能完成相同的工作量，并且布局的連線通常更短。ML布局布線器在自動布局和布線方面的更多出色表現(xiàn)可以參考由Cadence公司Rod Metcalfe撰寫的“在EDA中進行機器學(xué)習(xí)可加快設(shè)計周期”的文章。

Jeff Dean說，ML可能還會擴展到IC設(shè)計過程的其他部分，包括使用ML來幫助生成測試用例，以更充分地進行ASIC設(shè)計驗證；也許還可以使用ML來改進高級代碼綜合以達到更優(yōu)化的設(shè)計。這些可能的應(yīng)用方向?qū)C器學(xué)習(xí)本身的普及很重要，同時對加速集成電路設(shè)計進度也是一樣的重要。聯(lián)發(fā)科技高級副總裁兼首席戰(zhàn)略官Kou-Hung Loh指出物聯(lián)網(wǎng)設(shè)備將數(shù)百億的事物連接在一起，然而AI正在改變著這些聯(lián)網(wǎng)的一切事物。

AI之所以走向邊緣計算，部分原因正如Dean在本節(jié)前面提到的那樣，還有更多的原因包括：減輕數(shù)據(jù)中心日益增長的處理負擔(dān)、最小化網(wǎng)絡(luò)流量，以及那些需要使用近似本地處理的實時應(yīng)用。本地處理要求：快速（必須為AI計算專門設(shè)計），而且低功耗。這些為AI專門設(shè)計的處理器，被稱為AI處理器單元。一個APU可以不如CPU靈活，但是由于是專用的，所以APU可以性能上比CPU快20倍，功耗比CPU低55倍。

Imec的項目總監(jiān)Nadine Collaert指出摩爾定律可能在未來幾年內(nèi)依然適用，雖然CMOS縮小的難度越來越大，但可以利用FinFETs、 納米片、forksheets等技術(shù)實現(xiàn)芯片級的CMOS進一步縮放。相信3D技術(shù)是最好的方法：包括使用多層封裝，硅上穿孔，以及與其他標準單元進行精細等級的連接。具體技術(shù)的選擇需要根據(jù)系統(tǒng)設(shè)計需求和可選用的器件屬性來決定?！斑@將是一個復(fù)雜的練習(xí)”Collaert說。這將對EDA供應(yīng)商產(chǎn)生很大壓力，因為這需要EDA供應(yīng)商在工具層面支持不同方案的嘗試和比較。

無線通信系統(tǒng)的前端模塊將成為一個特殊的挑戰(zhàn)。“通常，這些系統(tǒng)最多樣化：使用不同技術(shù)的許多不同組件，并且前端模塊會隨著天線、PA、以及濾波器的增多，而變得更加復(fù)雜?！睙o線通信行業(yè)正在向更高頻和更高效率邁進。一種方案是將III-V材料與CMOS結(jié)合使用以獲得兩種材料的優(yōu)勢。Nadine Collaert給出一個在絕緣的硅襯底上生長的具有III-V材料的3D nano-ridge的圖片示例，同時指出這里還有很多工作要做。

至于機器學(xué)習(xí)對內(nèi)存的影響則更加明顯。像AI和ML這樣的新應(yīng)用都需要快速地訪問內(nèi)存。人們迫切需要關(guān)注和發(fā)展內(nèi)存計算，隨著邏輯和存儲的日益緊密，3D封裝當(dāng)然會發(fā)揮重要作用。
（責(zé)任編輯：fqj）