DSO.ai
AI驱动的设计应用
了解更多 →
定义
设计空间优化 (DSO) 是一种用于搜索大型设计空间的新方法，由机器学习的最新进展提供支持。在传统的设计空间探索 (DSE) 中，工程师必须手动扫描非常大的问题空间来获得设计解决方案。DSO 与之明显不同，它是一种创成式优化模式，采用强化学习 (RL) 技术自主搜索设计空间，以寻找理想解决方案。
芯片设计：巨大的搜索空间
如今，人工智能 (AI) 能够通过自然语言与人类互动，识别银行欺诈行为并保护计算机网络，在城市街道上驾驶汽车，还能玩象棋和围棋之类的智力游戏。芯片设计也是一个蕴藏着潜在解决方案的巨大求解空间，其规模比围棋游戏大数万亿倍。
芯片设计工作流程通常会消耗并生成数 TB 的高维数据，这些数据通常在众多单独优化的孤岛上进行区分和分段。此类数据可能包括：
- 设计输入:RTL 模型、电源活动、网表、版图规划、层次选择
- 技术输入: 器件和电路特性、寄生模型、可制造性设计 (DFM) 模型、金属堆栈、设计规则
- 库输入: 单元架构、单元原理图、时序/功耗属性、物理特性
- 工具输入: 设计流程、测试矢量、分层分区、启发式设置
传统设计空间探索：人工流程
在如此巨大的空间进行搜索是一项非常费力的工作，即便在以往经验和系统知识的指导下，也仍需要数周的实验时间。
为了创建理想设计方案，工程师必须快速获取大量的数据，并在分析不全面的情况下，就做出复杂的决策，这通常会导致决策疲劳和过度的设计约束。这种人工迭代设计空间探索 (DSE) 流程已将问题进行分区，以便管理其复杂性。因此，设计工作流程中对选择进行的探索会严重受限，此外，由于需要不断做出大量微小的决策，设计师的工作效率也会受到极大影响。
在当今竞争异常激烈的市场和严格的芯片制造要求下，合格方案和理想方案之间的差异可能意味着数百 MHz 性能、数小时电池寿命以及数百万美元设计成本的差距。
机器学习 — 无所不在！
如何启用自优化设计平台，以获得更好的端到端结果。
DSO：自主搜索并优化设计空间
DSO 可大规模扩展对芯片设计流程中各选项的探索， 同时 自动执行大量次要决策。
DSO Agent 分析设计工具生成的大量数据流，并据此做出优化决策，观察设计随时间的演变情况，同时调整设计选择、技术参数和工作流程，以指导探索过程向多维优化的目标发展。可大规模执行探索，由 RL 驱动的决策引擎可自主运行成千上万的探索矢量，并实时获取千兆字节的高速设计分析数据。
作为 AI 驱动的流程优化的关键特征，DSO 可以自动执行次要决策，如调整仿真引擎设置或编排实验，从而减轻设计人员需要承担的琐碎任务，使整个团队能够以超高水平进行运作。一旦 DSO 系统在给定的设计工作流程中构建出模型，各个项目和设计团队之间就可以高效分享和运用相关知识。
AI 级 DSO 自动化为半导体行业开启了新的增长轨迹，使企业能够构建新产品和收获新市场，使设计团队获得成长并实现未来创新。