芯耀
与非AI
1
芯片设计中需要处理的数据量在每个新的节点都有显著增加。这促使芯片制造商开始采用和谷歌、Facebook 及 GE 等这些数据中心相同的理念、技术和算法。
与云业务相比，芯片设计的数据总量相对较小，两者是 TB 和 PB/EB 的差别，云业务数据量太大以至于现有的设备和处理方法已经无法满足。
“你可以用多种大数据的方法来处理这个，但随后也会带来许多业务上的问题。”IBMEDA 部门副总裁 Leon Stok 说：“EDA 并没有必要去推动这些技术，如此一来问题只有会变得更为复杂，因为设计与制造之间的数据往往是不同的。”
但是对于设计者而言，在数据大幅增长之时，在多个设计环节提取关键数据就显得尤为重要。首先，来自不同域的数据会被单独分开，比如电参数、热参数和时序。Teklatech 公司 CEO Tobias Bjerregaard 说到：“可以通过假设和边缘补偿等方式来进行建模和分析，这样多物理参数和跨域的影响就无法被有效的理解。”
其次，他提到，可以使用分层设计的方法，将 SoC 数据分解成可管理模块。当新的 SoC 数据足够大，将不再适合在一台机器上。“最终结果就是，IC 被过度设计，而芯片面积、功率和性能方面的考量被忽视。利用大数据的方法，可以帮助设计者解决这些跨模块 / 跨域的难题。”
Ansys 公司 RTL 功率业务部高级副总裁兼总经理 Vic Kulkarni 对此表示赞同：“在芯片设计中，典型的复杂性就是，200 亿个晶体管 SoC 和 1000 亿个连接节点的 RC 网络，所以如果考虑设计冗余，能效、电源管理和完整性变得相当有意思。”
就拿 10nm 技术节点来说，他说：“10nm 制程芯片由 500mV 电压，一般提供 15%的冗余，也就是 75mV。设计者们知道，他们的动态电压和功率预算或者电源管理需要满足这个冗余，这时他们就开始管理冗余。一般都会将 75mV 的电压分配一下，如 10%分配到这儿、15%用于封装部分、25%分配到那儿，每个细节都可能影响最后的结果。在物联网方面，芯片 - 封装 - 系统之间的平衡是非常重要的，比如一个电力参数可以影响热量参数，可以影响电压时序，进而影响整个芯片、封装和系统的性能。封装时如果你不做一个良好的退火优化，也会影响到整个芯片的性能。可能会产生信号波动。也可能将一个芯片级的问题转化成封装和系统的问题。”
Kulkarni 强调，考虑到物联网传感器节点变得越来越复杂，这是整个物联网设计的一个关键，“在传感器节点上有越来越多的边缘处理，因此垂直领域有大量的处理要完成，如工业应用中的工业物联网 4.0、自动驾驶汽车、物联网医疗、无人机等等。所有的这些都需要更高效的终端设备，大数据让假设场景产生并且让工程团队从冗余管理向满足设计定制化方向转变。”
这种方法从根本上改变了设计过程，避免了对芯片的过度设计，确保不超过功率的预算，以不安全设计作为出发点。“如果你考虑冗余，，则人们就更倾向于过度的功率设计，芯片尺寸会增加，PPA 值也变得不正常。”kulkarni 说。“从整体考虑，以不考虑安全系数的设计出发，再通过金属 2 通孔的插入，可以实现芯片 die 面积 5%到 10%的缩减。”
这并不是大数据方法的一种简单转移，正如 Bjerregaard 指出的，大数据分析方法通常用于静态数据的处理，比如谷歌地图。不包括通过假设分析来计算 A 点到 B 点所需要的时间，前提是如果 C 点到 D 点增加了新的线路亦或者 E 点到 F 点的线路进行了升级，或者考虑到芯片设计中，线路也可能被完全去除。
这就意味着，当前所知道的大数据方法并不一定适合假设分析，更不用说自动优化了，Bjerregaard 说："大数据唯一的启发就是，可以进行优化假设，在基于设计师经验的前提下，可以做出更好的设计。从这个角度，大数据分析可以极大的帮助设计者获得对设计的理解，从而做出更好的优化。"
Kulkarni 也坚持，如果设计方法限制性很大，包括考虑冗余，那么想要引入所需的方法是不可能的，“更开放的想法是满足设计目标，而不是冗余目标。除非拥有大数据，否则是不可能的，因为现在可以通过大数据计算架构来进行大量的实验，这里面很多功能都可以成为 app。EMI 就可以成为一种 app。因为有基础结构存在，参数提取也可以成为一个 app。你可以在架构中存储空间和路径信息，也称为异构信息。可以通过大量仿真和实验来比较这个芯片尺寸和其他尺寸的区别。
工程团队经常采用过度设计来减少风险，但这样也浪费了大量的芯片空间。如果考虑到一个传感器网络中有数以百万计的器件（其中包括图像处理，CPU 和 RF），那么芯片尺寸的浪费就会变得过高。
技术影响
用不同的方式去理解和处理数据是至关重要的。例如天线，热点将在芯片和环境中产生 EMI 辐射。
“在 RTL 中，有些时钟门控电路的转换可以产生下游的 EMI 影响，”Kulkarni 说，“它们也经常会造成压降情况。你需要服务器中大量的数据来快速分析这些影响，然后执行假设分析，但在如今的使用模式下是不可能存在的。打个比方，我们可以看下奥迪的 e-bike 自行车，KTM X-Bow 运动汽车以及谷歌 Tensor 处理单元来看下通常情况是怎样的。”
将数据进行分层分析，这对于理解是非常重要的。他提到，最低层次的就是描述一个条件 / 失败。接下来则是预测性分析，可以假定一个故障情况，如果该热点继续存在于电源线或者信号线上，则是失败的，但是可以通过创建可靠性模型来避免这种情况。这些分析的最高层次则是指令性的分析，可以预防未来具有机器学习功能的设计的故障，这就是大数据的关键作用。机器学习则会根据以往经验来进行上千次的相关实验。
在芯片的世界里，大数据仍然是一个较新的概念，但这种情况正在悄然改变。
Cadence 公司验证 IP 和存储模块产品市场总监 Susan Peterso 表示，该公司正考虑新的验证方法，借助大数据。他说：“我们首先考虑的就是存储产品，通常我们都会考虑这些问题，‘我们所要做的就是功能验证，但是这样做真的符合规范吗？符合规范速度但又超级慢怎么办？或者非常耗电怎么办？’导致的结果是根本无法满足设计目标。”
为此，她表示：“今年晚些时候，公司会展示一些非常独特的产品——特别是在存储领域——不仅可以帮助工程师验证正确的功能，而且可以平衡功率和性能。特别在内存产品方面，你可以因此而关注全貌，不仅仅只是功能”
她认为，通过采用先进的大数据算法来分析这些引擎所输出的数据，将提升不同引擎的性能。
Cadence 公司系统和验证部门产品经理 Frank Schirrmeister 相信：“在设计工具行业利用大数据算法是非常有趣的，并且这是非常有必要的。但是目前仍有很多工作要做，需求来自我们仿真等技术产生了大量数据，需要用户来不断的消化，我们还有很多的数据需要处理，大数据方法的引入是必然。”
一个最有可能的开发领域是纠错部分的机器学习，他说：“人们需要处理很多的数据并进行对比，不可能所有的处理都人工来实现。虽然在有限的过程中，人们通常知道自己在寻找什么，但是问题在于人们并不了解的东西是什么？我们要做的，就是帮助用户去识别他们没有意识到的东西，比如，”你以前看到这种情况吗？“，或”你意识到这些情况会同时发生吗？“诸如此类，我们寻找更智能化的方法帮助用户搜寻情报，来预测将要发生的情况，并找出他们不能找到的东西。处理所有数据本身就是一个大问题，因为你不能一直保留这些数据并指望能找到什么，你需要更智能的方法来帮忙。”
用大数据的方法可以带来很多好处，但大数据结构之上是要对一个设计有透彻的了解，可以反过来实现增量分析和快速设计更新，这也需要充分发挥出大数据结构的潜能。
与非网编译，未经许可，不得转载！
