人工智能 VS 芯片工程師

　　那么機器學習和人工智能如何幫助布局布線呢?

　　事實上，這里的機器學習的幫助主要來自于從大數據中的學習能力。傳統(tǒng)的啟發(fā)式算法本質上并未考慮算法應用的具體語境，每次在探索的過程中理論上會以等概率去探索各種方向。雖然在長達數十年的工程實踐中，人們會在布線的啟發(fā)式算法中加入各種優(yōu)化，但是人類工程師對于布線這個高維度的復雜問題的把握程度畢竟有限。舉例來說，當運行布線的時候發(fā)現本地布線非常擁擠，而右邊若干距離的地方布線較為寬松，那么應該把多少本地走線移動到右邊?

　　如果移動過少難以完全緩解布線擁擠問題，而移動過多無非就是把本地的擁擠移動到了右邊，也并非最優(yōu)。這種變量維度過高的問題對于人類是很難把握的，而機器學習則可以從大量布局布線的實際案例中去學習如何最優(yōu)化啟發(fā)式算法的探索過程，從而使布線過程優(yōu)化結果更好，同時也能減少探索次數，也就是減低了算法運行時間。Cadence在去年宣布已經在布局布線引擎中加入了機器學習的元素，其結果是能夠將運行結果的total negative slack改善15%，這可以說是一個很不錯的起步。

　　在布局布線領域，人工智能的另一個重要應用就是能為流程加入預測能力，從而減少迭代次數。眾所周知，數字電路布局布線是一個反復迭代的過程，流程前后的環(huán)節(jié)會互相影響。布局的過程會影響布線的結果，而如果布線的結果太差又會導致工程師去再次優(yōu)化布局以獲得改善。這樣的反復迭代流程顯然會對設計時間帶來影響，那么能否在布局的時候就去預測其對于布線的影響，從而不要等到真的布線結果出來之后再去優(yōu)化布局呢?

　　之前也有不少嘗試，而使用機器學習通過學習大量的布局和布線擁擠程度之間的關系去做預測可以大大提升預測的精準度，從而減少迭代次數。在ISSCC 2017，臺積電的研發(fā)副總裁Cliff Hou就在其演講中重點介紹了這種基于機器學習的后端設計方法，并認為它將會為未來的集成電路研發(fā)帶來更多效率提升。

　　人工智能與電路設計師

　　在之前的分析中，我們可以看到目前人工智能的主要優(yōu)勢還是在于高維數據的處理和定量統(tǒng)計分析能力。這一波的人工智能在抽象推理方面仍然較弱，因此難以全面勝任復雜的設計任務。我們人類在處理復雜設計的任務時，普遍的方法是將其降維處理，分解成多個較簡單的子任務并分而治之，當子任務全部都完成時復雜的設計任務自然就完成了。而人工智能目前尚缺乏這種自適應將復雜任務分而治之的分解能力。

　　如果說這種從復雜的客觀中抽象出簡單的規(guī)律的能力稱之為“降維”，而從復雜世界中把握高維數據之間的復雜關系的能力就可以說是“升維”了。人類的降維能力較強，而人工智能的升維能力較強，因此人類與人工智能最好的合作方法就是人類負責降維，抽象出設計框架，并將復雜的設計分解成較簡單的子任務，而人工智能則在每個子任務中充分探索高維設計空間，幫助完成最優(yōu)化設計。

　　從這種意義上來說，人工智能在短期內并不會替代真人工程師，而是會在設計流程中幫助提升效率，減少算法和設計流程層面上不必要的迭代，而這一切對于真人設計師來說都是好事。因此，我們認為，人工智能將會是電路工程師的好朋友。