从算法到硬件以最高效率实现机器学习的AI应用

半导体产业在自动驾驶汽车、智能手机、智能穿戴、通信、物联网等新兴领域的驱动下迎来了新一轮发展高潮，但同时其复杂度、性能、功率等挑战是巨大的，过去将近十年，核心CPU的运算速度和功耗已经达到极致，满足特定领域硬件加速的需求迫在眉睫，Mentor全球副总裁兼亚太区总裁Danny Perng指出，尤其是在机器学习以及人工智能领域，需要利用新的设计方法和设计工具加速芯片设计。

Mentor全球副总裁兼亚太区总裁Danny Perng

半导体行业被冷落多年后重新成为投资界的宠儿，数据显示，2017年资本行业开始加大对半导体产业的投资，特别是在2018年达到了有史以来投资高点，其中相当大一部分投资聚集在人工智能和机器学习领域，据相关预测，在2025年有望达到5万亿美元的规模市场。Danny Perng指出AI不是一个新事物，特别是现在汽车的复杂度上升到新的数量级，促使系统公司加入数字孪生技术，在从系统到芯片到软件的过程中找到解决难题的答案。

绝大部分应用都与人工智能息息相关，实际上人工智能就是模仿人的大脑，需要强大的存储基础，把训练经验积累起来快速运算做出决策。Danny Perng表示，根据不同的硬件架构有不同的考量，要在算法中做到最优化的方法之一是利用HLS（高阶综合工具）将人工智能、机器学习等技术融合在一起生成高效RTL代码以加速ASIC的设计，在复杂多变的算法中加快高性能且低功耗的设计过程。

Danny Perng进一步解释道，HLS基于高阶综合设计方法学，将设计层次抽象到算法级，将设计的低值且复杂的领域交给工具自动完成，使设计人员能够将更多的时间应用在算法设计、优化、架构探索等高价值领域，提高设计效率，专注产品质量的提升。他表示，希望通过EDA设计工具，免去设计工程师的基本的、简单的工作，将精力注入更深层次问题的解决，寻找到更有效率更加创新性的东西，这也是应对半导体行业人才短缺的问题之一。

EDA工具解决的很多问题没有精准的模型，以往传统的算法会带来各种各样的问题，而用人工智能和机器学习的方式去解决，会产生比较好的结果。Danny Perng例举了英伟达和谷歌的案例，利用Mentor HLS设计，将设计效率提高50%的同时，英伟达减少了80%的验证成本；谷歌验证RTL代码的时间缩短两倍，验证的速度加快500倍，并且99%的错误都可以在C仿真阶段暴露出来。

Mentor认为系统和IC是要并重的，现在除了设计公司，更多系统公司、供应商加入到芯片设计的领域中来，系统公司们非常清楚自己的应用场景，专注在特色上下功夫，而每一家的专注点又不一样，一来芯片供应商不够充分了解自身需求的芯片，二来也不会专门为其需求设计一款芯片，这促使系统公司们转而利用EDA厂商提供的设计工具来自己设计芯片，特斯拉就是一个很好的例子。DannyPerng分析，为应对市场的快速需求，特斯拉开始自己设计计算机芯片，将处理速度提高10倍的同时大幅降低功耗，以进一步实现自动驾驶技术。其厉害之处就在于他的算法，因为他们知道需要什么东西，在他们的专业领域他们是最牛的，所以可以写出最好的算法。

据悉，为了不断实现设计工具的升级与创新，Mentor还在业务中引入了人工智能和机器学习等新技术、新应用，利用工具Caliber能够提升后端DFM良率并且做出分析，在实现加快开发速度的同时可减少仿真次数。Danny表示，通过近几年大力度的投入Mentor在Machine Learning领域真正能够帮到客户开发其理想产品。

确确实实，人工智能、机器学习等技术正在改变EDA设计工具，它将为整个EDA设计的发展带来更多新的机会和可能性。Danny 称，眼下CPU的运算速度和功耗已经达到了极致，西门子也是结合系统加上Mentor的 EDA直到IC实现Digital Twin，就是把西门子最强的建模（Modeling）外接的讯号接入进来不用再做出芯片，而是把算法集成（Algorithm Integrated）做到最佳，最终要达到最高效率实现Machine Learning或者AI应用。