AIは人間よりもチップ設計をよく理解しているのでしょうか?

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

消費電力、パフォーマンス、面積 (PPA) を最適化することは、チップ設計において常に重要な 3 つの目標でした。しかし、最高の設備と最も経験豊富なエンジニアリング チームであっても、最適化結果の安定性を保証することはできません。

PPA を最適化するプロセスは、アプリケーション、IP、その他のコンポーネントの可用性の違いや、さまざまなツールや方法論に対するエンジニアの習熟度の違いによって、ますます制約を受けるようになっています。たとえば、同じ設計目標は、より高いパフォーマンスを得るためにより大きなプロセッサを使用することでも、ソフトウェアとより緊密に結合されたより小型でより特殊な処理要素を使用することでも達成できます。したがって、同じドメイン内で同じ電力設計目標であっても、同じ目標を達成する方法は多種多様になります。さらに、ソリューションの品質の評価基準も、分野やサプライヤーの特定のニーズによって異なります。

さらに、チップのセキュリティに対する需要が高まるにつれて、最適化プロセスはより複雑になります。デバイスの使用シナリオの重要度に応じて、セキュリティ要件は異なります。セキュリティのレベルは、チップの電力とパフォーマンスの設計に影響し、さらに IC の製造コスト、市場投入までの時間、納期、サプライヤーの競争力にも影響します。

これらの要因を整理するために、EDA ベンダーは人工知能と機械学習の技術に頼っています。チップベンダーは、さまざまな AI 機能をツール フローに統合する取り組みを行っています。 MITとテキサス大学オースティン校の研究者による論文によると、これまでのところ、この分野での結果は有望だという。研究者らは、深層強化学習アルゴリズムを使用するデバイスは、すでにいくつかのタスクで人間を上回るパフォーマンスを発揮していると述べている。

研究者らは6時間にわたる実験で、強化学習を用いたグラフ畳み込みニューラルネットワーク法、従来のブラックボックス最適化法（ベイズ最適化、進化的アルゴリズム）、ランダム探索法、5年の経験を持つ設計者による結果を比較し、転移学習を伴う強化学習の方がより良い結果を達成できるという結論に至った。言い換えれば、AI ベースのツールによってトランジスタの設計がより効率的になる可能性があります。

現在、Google、Nvidia、Synopsys、Cadence、Samsung、Siemens など多くの企業がチップ設計に AI を使用する計画を立てており、中には生産に AI を試してみる企業もあります。

人工知能はチップ設計の状況をどのように変えるのでしょうか?

今日でも、チップを設計する際には、回路、論理ゲート、配線、レイアウトをシミュレートして検証するために、さまざまな設計ツールが使用されています。これは、起こりうるエラーを最小限に抑え、時間とコストを節約するために行われますが、プロセスは非常に面倒で時間がかかります。

図 1: 半導体設計フローのステップ。 出典: eInfochips

チップを設計するプロセスには多くのステップがあります。通常は、チップの仕様とアーキテクチャを決定することから始まり、その後、上記のフローチャートのステップに従います。設計が完了すると、設計ファイル（GDS II）が工場に送られます。

ムーアの法則が適用されていたときは、実際の状況に基づいてプロセスを微調整するだけで済みました。しかし、プロセス配当が消滅するにつれて、FinFET 時代が到来します。高度なプロセスの研究開発コストの増加により、チップメーカーは PPA を最適化する新しい方法を模索し始めなければなりません。この新たな変更により、チップ設計プロセスの複雑さが大幅に増し、チップをスケジュール通りに納品することがより困難になります。

「28nmチップの設計にかかる平均コストはわずか4,000万ドルだった」とIBSのCEO、ハンデル・ジョーンズ氏は語る。「しかし現在では、7nmチップの設計には2億1,700万ドル、5nmチップの設計には4億1,600万ドル、3nmチップの設計には5億9,000万ドルかかる。」

チップが進化するにつれて、トランジスタの数は数千から数十億に増加しました。これにより、チップ上のトランジスタ レイアウト設計はますます異質になり、通常は何らかの高度なパッケージング プロセスが使用されます。以前とは異なり、同じスペースにトランジスタをさらに配置する方法だけを検討していたチップ設計では、電力密度、熱予算要件、さまざまな種類の機械的および電気的ストレス、近接効果、動作環境などの複雑な要素も考慮する必要があります。これにより、設計プロセスにかかる時間が大幅に長くなり、設計コストも増加します。さらに悪いことに、チップメーカー間の絶え間ない競争により、チップをより短期間で繰り返し改良する必要が生じ、そうしなければ競争で不利になります。これは、チップ製造業者がミスを犯す余地がないことを意味します。設計ミスは莫大な損失を意味します。

人工知能はチップ開発の効率をどのように向上させるのでしょうか?

チップ設計プロセスに人工知能を導入すると、プロセスの複雑さが軽減され、エラーが減り、開発サイクルが短縮されます。

たとえば、チップ設計では、配線プロセスの 90% が自動化されており、最後の 10% の作業を完了するには経験豊富な設計者のみが必要です。人工知能を導入することで、この最後の 10% の時間をさらに短縮できます。

図2: 人工知能の役割は拡大しています。 出典: カンブリアン AI リサーチ

「すべては効率の問題です」と、ラムバスの研究者であるスティーブン・ウー氏は言う。「基本的に、人間の設計者であれ AI であれ、チップの最適化を達成することが目標ですが、このプロセスでは AI の方が明らかに効率的です。アルゴリズム モデルを事前にトレーニングして、より効率的に動作するようにしています。強化学習アルゴリズムの導入により、AI ベースの設計ツールは時間の経過とともにますます強力になります。やがて、PPA を最適化する従来のソリューションよりもはるかに効率的な、ほぼエラーのないソリューションを設計者に提供できるようになります。さらに、効率上の理由から、チップ間のデータ交換の速度も非常に重要です。AI は大量のデータにすばやくアクセスする必要があるためです。」

多くの人がスティーブン・ウーの見解を支持している。シーメンス IC デザインのエンジニアリング ディレクターであるジョン スナビー氏は、次のように述べています。「人工知能は、チップ設計プロセス、特にチップ レイアウトの設計プロセスをさらに自動化します。アナログ回路で機械学習ソリューションを使用すると、生産性が向上することが実証されています。レイアウト設計では、AI を使用して FinFET ノードで最適なデバイス レイアウトの提案を生成し、相互接続の寄生効果を最小限に抑えることができます。チップ設計に加速度計やジャイロスコープなどのマイクロ電気機械システムが含まれる場合、AI はパラメーター化された設計プロセスに参加し、人間と協力して IC および MEMS デバイスを設計できます。これにより、設計者は MEMS と IC のハードウェアとソフトウェアの統合をより迅速に完了でき、設計作業が容易になります。」

人工知能はどのように学習するのでしょうか?

AIの「知能」の根底にあるのは、短時間で大量の認識やマッチング作業が行えることですが、残念ながらAIは人間のように知識を「学習」することはできません。実際、人工知能が知識を獲得する方法は、人間とは根本的に異なります。一般的に、アルゴリズムを適用する前に、大量のデータを含むトレーニング セットが必要になるか、トレーニングのためにアルゴリズムの初期モデルに入力されます。長期間のトレーニングを経て初めて、アルゴリズムは「知能」を持つとみなされるようになります。

（編集者注：AIの「知性」は、データセットにおける多数の試行と戦略調整を通じて得られた、さまざまな状況での最適解から生まれます。実際の制作で遭遇する新しいシナリオでは、AIはこれらの最適解戦略を実際の状況と照合し、実際のシナリオに対する最適な答えを取得します。AIの学習と人間の学習プロセスの違いを説明する例を次に示します。人間は、授業で「1+1=2」という結論を覚えており、それを「リンゴを別のリンゴの隣に置いた」シナリオに適用して、「ここにはリンゴが2つある」と結論付けることができます。AIの学習プロセスは、オランウータンの学習プロセスに似ています。1つのリンゴを2回目の前に置くと、2つのリンゴを数え、このプロセスを何千回も繰り返します。オランウータンは、次に「バナナを別のバナナの隣に置いた」シナリオに直面したときに、「目の前にバナナが2つある」という結論に達することができます。）

さらに、AI は強化学習手法 (RL) を使用してトレーニング結果を導くこともできます。 RL は、AI 学習プロセスに報酬と罰のメカニズムを追加できる機械学習技術です。

報酬と罰のメカニズムモデルを導入した人工知能アルゴリズムでは、AI 学習は常に初期状態から開始され、ランダムな結果を出力します。その後、設計者は結果について判断を下します。結果が受け入れられると、それはモデルに対する「報酬」とみなされ、モデルはこの傾向に向けて最適化を続けます。逆に、結果が設計者によって拒否された場合、それはモデルに対する「ペナルティ」とみなされます。モデルは戦略の方向を調整します。設計者が結果を拒否するか受け入れるかに関係なく、アルゴリズム モデルは調整後に次の反復に入り、設計者が受け入れるか拒否するかを選択するための新しい結果を出力します。したがって、RL 学習プロセスが継続するにつれて、人工知能アルゴリズムはますます完璧になります。

シーメンス インダストリアル ソフトウェアのシニア バイス プレジデント兼ゼネラル マネージャーであるラヴィ スブラマニアン氏は、機械学習についてさらに次のように説明しています。「機械学習は人工知能のサブセットであり、外部プログラミングなしで機械が進化するプロセスを指します。従来のデバイスは、コンピューター言語の「ダイオード」ロジックと if-then-else ステートメントの線形シーケンスに従って動作します。しかし、機械学習の方法により、デバイスは収集したデータから継続的にフィードバックを取得し、デバイスの次のアクションを導くことができます。」

スブラマニアン氏は、AIが学習するためには3つの前提条件が必要だと述べた。

1 つは、大量のデータを含むライブラリであるデータセットが必要になることです。データは、RTLIP、GDSII、C 言語、SPICE テーブルなど、さまざまな形式にすることができます。 （編集者注：データセットは人工知能アルゴリズムの初期入力です。データセットをアルゴリズムに入力することは、AIに学習するための「例題」を与えることと同じです）

2 つ目は、アルゴリズム モデルの必要性です。このモデルにより、AI システムは観察、学習、フィードバックなどのタスクを完了できるようになります。この前提に基づいて、人工知能アルゴリズムを使用するデバイスは、従来のデバイスのように入力プログラムに従って実行されるだけでなく、各結果の出力に基づいて独自の戦略を動的に調整できます。

3 つ目は、目的関数の必要性です。そして、この目的関数を中心に報酬と罰のメカニズムを設計して、強化学習プロセスを完了します。 （編集者注：目的関数とは、「最適解」を定義する関数を指します。各トレーニングが完了すると、この関数を通じて戻り値が出力されます。この戻り値は一般にτと呼ばれ、各「テスト」後のアルゴリズムのスコアと見なすことができます。設計者は、τ値と目的関数の期待値とのギャップに基づいて、アルゴリズムモデルの報酬と罰を決定します）

「AI自体は決定を下すわけではない」と彼は説明した。「GoogleのAI研究責任者であるフランソワ・ショレ氏は、AIをシステムがデータを分析し、それを未知の状況に適用する能力であると定義しましたが、これは非常に正確な発言です。」

車は、ガソリン1ガロンあたり何マイル走行できるか、または1回の充電でどれだけの距離を走行できるかによって走行距離を測定できます。しかし、AI システムはそれぞれ異なります。各 AI システムの設計はそれぞれ異なり、システムの設計に使用されるツールも異なります。しかし、チップ業界全体では、AI ベースのチップ設計ツールによる生産性の向上が報告されています。

たとえば、Google はチップのフロアプランニングに AI を適用し、かつてはエンジニアが数か月かかっていたタスクを 6 時間未満で完了できることを発見しました。人間であれ人工知能であれ、どちらもPPA最適化を通じて製造基準を満たすチップ設計結果を得ることができますが、生産プロセスに人工知能を導入した企業は明らかに生産効率が高くなっています。

「チップ設計プロセスにAIを適用すれば、チップのパフォーマンスは確実に向上する」と、ケイデンスのデジタルおよびサインオフ グループの製品管理グループ ディレクター、ロッド メトカーフ氏は語る。 「例えば、設計プロセスで AI を使用する 5nm モバイル CPU では、パフォーマンスが 14%、消費電力が 7%、トランジスタ密度が 5% 向上します。これはチップ設計にとって重要です。」

これらの改善は他のアプリケーションでも見られます。 「AIベースの設計技術を使用することで、従来の設計手法に比べて消費電力を25パーセント削減できると当社の顧客から報告されています。これは驚くべき改善です」とシノプシスの人工知能ソリューション担当シニアディレクター、ステリオス・ディアマンティディス氏は語った。

チップ設計におけるAIの未来

ほとんどの人にとって、10億個のトランジスタを1つのチップに統合することを想像するのは難しいでしょう。しかし、シノプシスの2021年6月のレポートによると、同社は1.2兆個のトランジスタ、40万個のAIコア、46,225 mm2の面積を持つチップを開発したとのことです。これは、従来のツールを使用する人間のデザイナーが決して達成できない技術レベルです。

「効率を上げるためにチップ設計プロセスに AI を導入することは、少なくとも大手チップベンダーにとっては今やトレンドです」と、Cambrian AI Research の創設者で主席アナリストの Karl Freund 氏は語ります。「Synopsys DSO.AI のようなシステムは、企業の時間とコストを節約し、消費電力が少なく、パフォーマンスが高く、面積が小さいチップを生産します。現在、業界は、システムとソフトウェア アルゴリズムの最適化や設計検証など、物理設計の最適化を超えた次のステップに注目しています。業界全体がこれらのイノベーションの恩恵を受けており、消費者はより強力で、消費電力が少なく、より安価なチップを使用できるようになります。」

すべての主要な EDA 企業は、チップ設計フローに AI 機能を追加することに取り組んでいます。 AI は、狭いスペースに多くのものを詰め込むだけでなく、広いスペースに多くのものを詰め込むことにも役立ちます。

図 3: Cerebras のウェハスケール チップ。 出典: ブレインシステムズ

7nmプロセスを使用して開発されたCerebras Systemsの第2世代チップには、2.6兆個のトランジスタと85万個のAIコアが搭載されています。これは現在、人工知能によって設計された世界最大のチップであり、お皿ほどの大きさです。比較すると、世界最大の GPU には 540 億個のトランジスタしかありません。 Cerebras のチップには、AI 計算をサポートする 40 GB のオンチップ メモリが搭載されています。このサイズのチップを設計するには、人工知能技術をベースにしたチップ設計ツールを使用する必要があります。

将来的には、PPA の問題以外にも、AI は統合チップのセキュリティなどの分野でも役立つ可能性があります。

シーメンスのスブラマニアン氏は、人工知能が少なくとも4つの分野に適用されていると指摘した。1. ICの設計と検証の新しい方法の創出、2. 設計プロセスにおけるエラーの削減と設計時間の短縮、3. 機械学習の原理に基づく新しいコンピューティング アーキテクチャの構築、4. 人工知能アルゴリズムに基づくチップの構築。

結論は

AI が理解できる方法で問題を明確に定義できる場合、AI は設計において最も効果的に機能します。 （編集者注：これは、実際の生産におけるすべての状況が目的関数の一部に正確に変換される必要があることを意味します。）したがって、IC設計者は、まず人工知能の適応、学習、一般化の能力に関連する問題があるかどうかを考慮し、適切な目的関数を設計する必要があります。この方法でのみ、人工知能はこの知識/ルールを未知のシナリオに正確に適用できます。

「AIに適した問題があるかどうかを理解することが、最初で最も重要なステップです」とスブラマニアン氏は言う。「おそらく、AIが関わるチップ設計プロセスの中で最も重要なステップでしょう。」

これまで多くの分野で人工知能の利点が示されており、将来的にはさらに多くの分野で人工知能がこの利点を示すことは間違いありません。

AIが一時的な流行に過ぎないのではないかという懸念は消え去った。今、未来に向かう岐路に立って、人々は未来を待ち望んでいます。 「人工知能は他に何ができるのか？」という新たな疑問が人々の心に響き始めている。この疑問への答えは、交差点に立てるべき道標なのかもしれない。