[论文解读] AI/ML Algorithms and Applications in VLSI Design and Technology

Deepthi Amuru, Harsha V. Vudumula+5 more|arXiv (Cornell University)|Feb 21, 2022

Advancements in Semiconductor Devices and Circuit Design被引用 7

一句话总结

本文综述了人工智能/机器学习在VLSI设计与制造中的应用，展示了机器学习技术如何通过在抽象层次上自动化数据密集型任务，降低设计复杂度、加速周转时间并提高芯片良率。文章重点介绍了用于布局、布线、良率预测和测试优化的监督学习、无监督学习和深度学习方法。

ABSTRACT

An evident challenge ahead for the integrated circuit (IC) industry in the nanometer regime is the investigation and development of methods that can reduce the design complexity ensuing from growing process variations and curtail the turnaround time of chip manufacturing. Conventional methodologies employed for such tasks are largely manual; thus, time-consuming and resource-intensive. In contrast, the unique learning strategies of artificial intelligence (AI) provide numerous exciting automated approaches for handling complex and data-intensive tasks in very-large-scale integration (VLSI) design and testing. Employing AI and machine learning (ML) algorithms in VLSI design and manufacturing reduces the time and effort for understanding and processing the data within and across different abstraction levels via automated learning algorithms. It, in turn, improves the IC yield and reduces the manufacturing turnaround time. This paper thoroughly reviews the AI/ML automated approaches introduced in the past towards VLSI design and manufacturing. Moreover, we discuss the scope of AI/ML applications in the future at various abstraction levels to revolutionize the field of VLSI design, aiming for high-speed, highly intelligent, and efficient implementations.

研究动机与目标

• 应对由于工艺变异和晶体管尺寸缩小导致的VLSI设计日益复杂和耗时的问题。
• 克服传统基于规则的EDA工具在现代纳米级IC中人工操作、速度慢且效率低的局限性。
• 利用人工智能/机器学习实现数据驱动的自动化决策，提升良率并缩短上市时间。
• 识别训练数据中的缺口，并提出标准化、开放的数据集，以加速人工智能/机器学习在VLSI CAD中的应用。
• 探索未来方向，如微分编程和量子机器学习，以推动下一代EDA的发展。

提出的方法

• 采用监督学习、无监督学习和半监督学习方法，对工艺变异进行建模并预测电路性能。
• 应用神经网络，包括多层感知机（MLPs）和卷积神经网络（CNNs），对设计结果进行分类和预测。
• 将聚类和分类算法集成到VLSI划分中，以揭示设计数据中的隐藏模式。
• 在物理设计中应用人工智能/机器学习，实现自动布局与布线，降低设计成本并提升优化效果。
• 利用人工智能/机器学习构建紧凑图案化模型，用于光刻、掩模合成与修正，以提升可制造性。
• 在硅后验证和测试用例重排中应用机器学习，以降低测试过程中的功耗损耗。

实验结果

研究问题

• RQ1 在激进的CMOS缩放背景下，人工智能/机器学习如何降低VLSI设计的复杂度和周转时间？
• RQ2 机器学习在纳米级IC中如何提升良率预测能力并管理参数可变性？
• RQ3 聚类和分类算法在识别VLSI设计数据中隐藏关系方面发挥什么作用？
• RQ4 人工智能/机器学习如何集成到EDA工具中，以自动化布局与布线等物理设计任务？
• RQ5 在芯片制造、测试和调试中应用人工智能/机器学习面临哪些挑战与机遇？

主要发现

• 人工智能/机器学习算法显著减少了在VLSI设计抽象层次上处理大规模多维数据所需的时间和工作量。
• 机器学习通过实现自动化、数据驱动的优化，提升了集成电路良率并缩短了制造周转时间。
• 监督学习和深度学习模型，包括CNNs和MLPs，在性能预测和缺陷检测方面展现出强大潜力。
• 聚类和分类技术通过揭示隐藏模式并预测设计属性之间的关系，增强了VLSI划分的效果。
• 基于人工智能的测试用例重排可降低测试过程中的功耗损耗，从而降低整体测试成本。
• 将人工智能/机器学习集成到EDA工作流中，可实现更可预测的物理实现，并支持可扩展、高性能的IC设计。