芯片产业在不断竞速,作为AI产业落地重要基底的AI芯片更是如此。在持续火热多年后,如今我国AI芯片产业已经朝着肉搏阶段迈进,谁率先落地产品、构建生态,谁就能在这场竞争中突围。
激烈的市场竞争与迫切的Time to Market,让人们对芯片设计的“好与快”提出了更高要求,在新一轮挑战面前,如何整合EDA、IP与设计资源,让AI芯片快人一步?
相辅相成的EDA
EDA全称Electronic design automation,主要为集成电路的设计、生产等提供自动化辅助设计能力。凭借精细的软件设计,EDA保证了芯片设计各个阶段、各个环节的准确性,缩短了设计周期、降低了设计成本,因此被人称之为半导体工业软件皇冠上的明珠。
然而人工智能的兴起,却将EDA推向了新浪潮。无论是在EDA工具中应用AI算法赋能芯片设计的“AI Inside”,还是EDA工具助力AI芯片高效设计的“AI Outside”,都意味着EDA对于提高AI芯片设计效率有着不可或缺的重要作用。
在“AI Outside”方面,AI芯片随着数据爆炸时代的到来应运而生,庞大的算力意味着其往往具备超大的设计规模,对于芯片来说,规模越大,结构越复杂、精度越高,对于EDA软件的依赖程度也就越高。
以在EDA总体算力比重较大的验证来说,作为解锁芯片流片成败的关键环节之一,要想提高流片成功率,就要在流片之前做好充分的系统级验证。一般来说,芯片验证工作随着SoC芯片复杂度、集成度规模的扩大,占比不断提高,甚至可达70%。面对复杂的设计需求,传统基于电路的仿真技术无法实现对极端情况的验证覆盖,使得验证覆盖率的收敛成为了阻碍AI芯片设计效率进一步提升的“绊脚石”。
为此,AI芯片在验证策略选择上往往需要引入多种验证手段,通过仿真、形式化验证、FPGA原型验证等一系列验证手段提前发现问题,确保芯片在功能、功耗、调度性能等方面达到设计期望。使用EDA工具,可以针对AI的分布式、矩阵式等运算特点,验证AI芯片的性能和收敛能力,推出对应的解决方案,以此来得到更快的结果,提高芯片设计效率。
图源:芯华章
这也是EDA的优势所在,无论是人工智能,还是云计算、5G、智能汽车,EDA领域均有对应其应用特点的芯片设计解决方案,对于芯片设计者而言,EDA工具可以快速将基础信息进行有效的建模和抽象,帮助设计者将精力更多地投入上层和系统设计。设计者只需完善算法设计,即可通过EDA实现一个性价比更高、性能更匹配的系统设计。
在本土领域,已有多家AI芯片厂商与EDA厂商合作,以此提高设计验证效率。例如:国微思尔芯原型验证工具助力埃瓦科技 3D 视觉 AI 芯片量产;鲲云科技采用芯华章的形式化验证工具穹瀚(GalaxFV),提升新一代复杂AI芯片的设计验证效率,进一步保障复杂AI芯片的功能和可靠性。
而在“AI Inside”方面,EDA+AI更是已经成为了热门话题,不少专家都认为EDA应用AI是必然趋势,AI在其中可以起到加速和辅助作用。
在传统EDA设计工具中,芯片架构探索、设计、验证、布局布线等工作的人力占比巨大,随着人工智能的兴起,EDA设计工具也开始逐渐朝着智能化趋势发展,在深度、强化学习等技术的加持下,智能化EDA设计能够吸收过去的设计经验和数据, 有效减少人力投入、缩短设计周期、提高芯片设计及生产的性能和精度。
从某种意义上来说,芯片设计过程的复杂性非常适合 AI 算法。比如,当AI应用于布局布线、平面规划等芯片后端设计时,EDA工具可以通过摄取设计工具生成的大数据流来探索搜索空间,观察设计如何随时间演变,并调整设计选择、技术参数和工作流程。
又或者,在计算时延中使用AI的方法,可以根据建模精确度把解决方案代入到时延范围内,得到你最终想要的结果。
总的来说,只要AI技术运用得好,可以把后端工具的运行时间缩短。当然,AI还可以在前端设计时,通过建模检测其在后端的运行结果,让前端工程师知道他们现在的优化动作在后端是否有效,能否缩减迭代的速度。
此外,EDA上云作为未来的趋势之一,在云端上可以开放更多的计算资源,也可以加快设计和验证过程。
Chiplet时代,大放异彩的IP
与EDA一样,IP核作为芯片设计中的关键一环,通常是指事先定义,经过验证可以重复使用的、能够完成某些功能的设计模块,可以降低芯片设计中冗余的设计成本,以及错误发生风险,提高设计效率。
在如今AI芯片企业分类中,除了Nvidia、Intel、AMD、Qualcomm、华为海思等芯片设计龙头企业,以及以寒武纪、地平线等为代表的专注于人工智能芯片研发企业,还包括了ARM、Cadence、Synopsys等以IP授权为主要商业模式的企业。
对于AI芯片厂商来说,使用成熟、稳定、满足需求、质量可靠的IP核,通过快速复用积累的技术,可以有效提高芯片设计效率,提升芯片设计公司的交付能力,极大缩短SoC芯片的开发周期。
比如,接口IP的硬化服务能够为 SoC 腾出空间,为达到更高的 AI 性能提供了宝贵的片上 SRAM 和处理器组件;专业的AI加速硬件IP能够提供在芯片中部署AI加速功能所需的工具;内存IP核解决方案支持针对不同AI内存约束的高效架构,可以减少AI应用中的延迟。
另外,由于IP厂商只设计芯片局部的某些功能模块,因而更能够追求这些功能模块设计的最优化,不断迭代,更新,AI芯片厂商也因此可以借助先进的IP核,在保持竞争力的同时,也可以保障芯片设计的按时交付。
当然还有很重要的一点就是:Chiplet时代的到来。
Chiplet俗称芯粒,也叫小芯片,它是将一类满足特定功能的die(裸片),通过die-to-die内部互联技术实现多个模块芯片与底层基础芯片封装在一起,形成一个系统芯片,以实现一种新形式的IP复用。从这个意义上来说,Chiplet也可以看作一个新的IP重用模式。
图源:信达证券
当前,算力已经成为AI芯片的重要指标之一,只有保证充足的算力,才能应对爆发式增长的计算需求。要想提升AI芯片的算力,增大芯片面积是最为简单有效的方法,然而芯片面积越大意味着良率越低,成本越高。为了解决芯片性能和良率之间的矛盾问题,Chiplet技术出现了。
在Chiplet的加持下,IP 模块经济性和复用性也有望得到大幅提升。不同功能的IP,如 CPU、存储器、模拟接口等,可灵活选择不同的工艺分别进行生产,从而可以灵活平衡计算性能与成本,实现功能模块的最优配置,而不必受限于晶圆厂工艺。
此外,Chiplet还可以看作是硅片级的IP,企业仅需将多个已经成功验证的芯粒通过先进封装技术进行封装,即可得到相应的产品,即高效,也降低了芯片设计的难度和成本。
因此,对于对性能有着高追求、渴望先进工艺的AI芯片来说,IP和Chiplet无疑是其加速的一大利器。
加速中的芯片设计服务
同EDA和IP一样,芯片设计服务作为芯片设计公司和晶圆厂之间的重要桥梁,对于AI芯片厂商来说,也是一个无比重要的存在。
不过与EDA和IP不同的是,IC设计服务提供商的主要作用则是,整合和利用自身的资源集中优势和丰富专业的设计开发能力及经验,为客户争取更具竞争力的IP资源、晶圆制造乃至封装测试等服务支持,有效降低和缩减客户的芯片产品设计开发费用、开发风险和开发周期,降低产品运营费用和风险。
众所周知,AI芯片的开发成本相当高,尤其是ASIC架构设计的芯片,流片数量动则千万,包含人力成本,投入可高达2500万美元以上。而与之相对的却是,越来越多的初创型AI芯片企业。
中商情报网数据显示,近年来,我国AI芯片企业注册量快速增长,由2017年的1110家迅速增长至2021年的13492家,年均复合增长率达86.7%。最新数据显示,2022年1-5月,我国AI芯片企业注册量达6783家,已超过2020年新增企业数量。
图源:中商情报网
对于这些资金、人力都短缺的初创型AI芯片企业,只有在有限的时间和资金中做出产品,才能获得下一轮资本的青睐,才不会消失在时间的洪流中。而在此过程中,一家可靠、合适的设计服务供应商便成为了重中之重。
众所周知,芯片设计过程不是单方面一来一回地顺序传递,而是有大量交互与沟通在重叠进行,对于有芯片设计服务相关需求的公司而言,选择设计服务团队,不只是选择一个供应商,更是在选择合作伙伴, 反之亦然。
而追赶在行业风口的AI芯片设计就如同登山,目之所及有限,殊不知前路风景,在披荆斩棘过程中,如果能匹配到合适的芯片设计服务团队,就如同英雄降魔路上有了宝刀利器,可以更快走向最终胜利。
从上世纪80年代后期至今,芯片产业链中已经涌现了一批芯片设计服务厂商,如何在众多设计服务团队中寻找最合适自己的,或许成为了AI初创企业所需面对的新难题。
对于众多处于初创阶段的AI芯片企业来说,有了芯片设计服务商的助力,就可以把宝贵的人力财力更加专注于市场,产品定义以及系统级支撑, 把芯片实现的专业要求交给专业团队实现。不过需要注意的是,在选择芯片设计服务商时,要明白自己的所需、所想,选择与自己最适合、最匹配的,方可事半功倍。
写在最后
随着人工智能场景在金融、制造、电信、医疗、交通等行业应用不断深化,其发展也呈现出应用场景多元化的特征。愈发多元的应用场景,以及逐渐成熟的技术,让AI芯片市场竞争越来越激烈。
“工欲善其事,必先利其器。”
想要成为这个竞争激烈的行业内的捷足先登者,或许学会运用各类工具和设计资源,不失为一种正确的打开方式。
审核编辑 :李倩
-
asic
+关注
关注
34文章
1193浏览量
120324 -
eda
+关注
关注
71文章
2708浏览量
172876 -
AI芯片
+关注
关注
17文章
1859浏览量
34909
原文标题:芯片竞速,你的AI芯片如何快人一步
文章出处:【微信号:bdtdsj,微信公众号:中科院半导体所】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论