由AI驱动的“复刻”（Remaster）能否解决芯片短缺问题？
文/Dave Altavilla
从甲壳虫乐队的Let It Be ， 到约翰·克特兰（John Coltrane）的A Love Supreme ， 唱片公司经常会复刻（remaster）许多音乐流派的经典专辑 ， 而这些高保真的复刻产品会受到主流粉丝们热烈欢迎 。 但就像齐柏林飞艇乐队（Led Zeppelin）或范·海伦乐队（Van Halen）的最伟大作品一样 ， 如果芯片也可以“复刻” ， 而且“复刻”能帮助摆脱目前的芯片短缺状况呢？不管如何 ， 让我们先来看看手头上的问题和潜在的解决方案 。
芯片重新设计的成本高 ， 耗时长
现代处理器、控制器和汽车传感器等芯片的设计和验证过程可能需要数年时间 ， 并需要大量的研发资金 ， 而单是半导体掩模就需要花费数百万美元用于尖端工艺节点 。 有时候 ， 工程师无法在第一次尝试时就把设计做对 ， 而芯片故障可能会导致可怕的“重制” ， 从而不得不多花数百万美元的额外费用 。
该行业的人力和资源成本如此昂贵 ， 连福特和通用等主要OEM厂商在从老一代且产能受限的晶圆厂转向新的、现代化工艺的过程中都犹豫不决 ， 尽管后者能满足更大的产能需求 。 对汽车供应链来说 ， 其有时必须在某个汽车型号或整个厂商平台的生命周期中持续多年地生产芯片 ， 而且不仅是汽车行业 ， 几乎所有类型的产品都将包含越来越多的科技和硅制品 。
与其他行业相比 ， 汽车芯片含量的增长速度可能会更快 。 据英特尔等主要厂商预测 ， 到2030年 ， 芯片在汽车BOM（物料清单）中所占的比例将达到20% ， 而这个问题的部分解决方案可能已经浮出水面——其会用到人工智能和机器学习的力量 。
这很棘手 ， 让人工智能来做吧
在此重申一下高层次的问题 。 一般来说 ， 将旧的芯片设计重新定位到新的现代制造工艺节点会昂贵且耗时 ， 而这正是人工智能可以发挥作用的地方 。 简单地说 ， 机器学习的超迭代特性非常适合于半导体设计过程中的某些任务 ， 特别是在性能、功率和面积等方面的单调的优化工作 。 例如 ， 芯片设计工具的领头羊Synopsys正在将机器学习应用到芯片设计的许多环节中 ， 包括位置和路线（也称为电路的平面规划）、验证（证明设计 ， 使其在生产前没有bug） ， 甚至引入在实际中运作在芯片上的软件工作负载 ， 以帮助进一步优化设计 。
Synopsys即将推出的、由人工智能驱动的最新创新产品 ， 便是用更新、更现代的芯片制造工艺来对传统芯片进行复刻 。 芯片设计的美妙之处在于 ， 它们会先在各种EDA（电子设计自动化）工具中进行模拟和验证 ， 然后被送去掩模组生产环节 ， 并最终被送到晶圆厂 。 在过去几十年中 ， 设计工程师一直以这种方式在他们自己的小元宇宙中构建芯片 ， 而其本质上是芯片的“数字孪生兄弟” 。 一旦一个芯片被很好地模拟和充分验证 ， 它就会被送到那些昂贵的制造场景中 。
在传统意义上 ， 为新的晶圆制造工艺而重新设计旧芯片 ， 这个过程需要一个工程师团队、昂贵的重制成本、宝贵的工时 ， 以及很长的上市时间 。 除非可以将原始设计输入机器 ， 并要求它瞄准新的7纳米工艺节点 。 事实上 ， Synopsys声称它的复刻人工智能不仅能重新定位现代的芯片制造工艺节点 ， 有朝一日还可以提供衍生设计和完全重制 。

文章图片

Synopsys的人工智能驱动的芯片生产过程节点复刻结果
在上面的例子中 ， Synopsys展示了一个实际的客户设计 ， 其中红色的三角形表示一个人类工程师团队的手工设计工作 。 正如图中显示的 ， 其时钟频率（clock speed）和功率特性明显不如钻石点 ， 即人工智能在原始制造节点上训练所达到的水平 。 另外 ， 在更先进的芯片制造工艺中使用同样的设计对人工智能进行训练后 ， Synopsys还可以令其拥有更好的性能和功率特性 。