图1 Google围棋算法对人类棋手对弈
这是《变形金刚》故事的起源，回顾Google围棋算法对人类棋手的碾压级表现，我们不禁要问芯片后端设计工程师是否会被人工智能算法取代？对付刚入行一两年的工程师，这是一个很普遍的问题，特殊是随着AI技能在机器视觉、内容推举等领域的飞速发展和大规模运用，信息家傍边很多细分领域都对自己的未来发展产生了迷惑。结合笔者的知识和从业履历，考试测验从两方面回答一下这个问题。
1、后端工程师的职业发展（以P&R为例）
图2 Place&Routing示例
1）刚进入行业的新人都从跑小的模块做起，在这个阶段会理解基本的后端流程，优化方法和流片标准。
2）对付小的模块游刃有余后，可以开始做一些追求高性能、小面积、低功耗的模块，比如CPU、GPU、VPU。
3) 接下来做一些低功耗流程的单芯片，这样会熟习一颗完全芯片所须要的功耗剖析，IRDROP剖析，ESD方案等等。
4) 做大项目的TOP (>30M)，在这个阶段可以学习到模块划分，时序方案，bump routing，等大型项目当中才能碰着的问题。
5) 如果想更进一步，就在做大项目的同时去理解封装，理解测试，理解运营，有得当的机会，就可以晋升到项目经理，卖力一颗芯片从前到后的实现，生产，测试。
6) 在成功运营几颗大型芯片往后，就可以选择进入一些初创公司成为研发总监，争取成功上市。
一样平常这便是比较顺利的职业发展路线，须要比较好的机遇和自己的努力，一样平常工程师勾留在4) 的阶段就很难上去了。回到AI技能，我们可以看到，到了第四级，更主要的是对项目的把握和全体项目的管理，基本也就和AI不太搭边了。
2、AI技能在后端算法中的运用
图3 AI人工智能抽象图
在笔者看来，AI在2)当中的运用处景更为广阔。实际上在我们的后端流程中，由于打算能力的限定，我们做了很多的简化，比如一个范例的例子，是在做布局时我们不会做真正的布线，我们会做一种简化的布线（global routing），希望用它的结果来辅导我们布局，由于真正的布线会花费十倍以上的韶光，对付我们是无法接管的。但既然利用了简化模型，简化模型和终极结果的同等性就非常的主要了，在前辈工艺里面尤其困难。
在后真个物理实现中，一些繁芜的步骤，比如说placement，则十分困难。要检讨同等性是很随意马虎的事情，而得到一个函数的最优解或者近似最优解则较为繁芜，同时这个最优解的限定条件还很多，如面积最小、时序最好、功耗最低、可以绕线、符合工艺摆放哀求等。再在比如说，布局阶段产生的Congestion每每会恶化时序Timing，并影响设计的Routability，同时导致布线时可能产生Short或Detour，那么如何选取得当的布局和布线才能减少congestion？
图4 congestion示例
在机器学习算法引入之前，CAD领域常日都采取启示式算法对以上问题进行求解。启示式算法考试测验基于随机选择，在可接管的代价（比如打算韶光和空间）下给出待办理组合优化问题的可行解。常见的启示式算法包括禁忌搜索(Taboo Search)、仿照退火(Simulated Annealing)、遗传算法(Genetic Algorithm)、人工神经网络(Artificial Neural Networks)等。各种启示式算法在优化机制方面存在着一定的差异，但在优化流程上十分相似。这些算法本身都是邻域搜索(Local Search)构造，即算法都是从一个或者一组初始解出发，在关键参数的掌握下通过邻域函数产生多少个邻域解，根据一定的接管准则(比如确定性、概任性或混沌办法)来更新当前状态，而后根据当前状态调度关键参数。重复上述搜索步骤直到知足算法的收敛准则，终极得到问题的优化结果。尤其是仿照退火算法，自从该算法被引入VLSI领域后，出身了大量基于其的布局布线优化算法。
对付EDA工具的利用者——后端工程师而言，这些算法的优化效果每每就像玄学一样，很难选取得当的搜索步长，并且多次打算结果每每并不能得到同一个解，乃至有时候得到劣解。此外，让广大后端工程师苦不堪言的是，随着摩尔定律的推进，芯片中集成的晶体管数以亿计而且还在以指数级进行增长，由此导致数据的处理韶光以小时为量级。
目前AI技能在机器视觉、自然措辞处理、内容推举等领域发展欣欣向荣，而在VLSI CAD领域还鲜有耳闻。2017年台积电在ISSCC和ISPD会议均做了基于机器学习的拥塞预测算法进展的口头报告，演讲内容显示该算法可在布局布线阶段将芯片速率提升40MHz。Cadence和Synopsys也多次在业界主要会议中展示了机器学习预测拥塞算法的最新进展。2018年DAC会议上也刊出了一篇用机器学习做congestion预测的文章。
图5 台积电在ISSCC2017关于运用AI肃清congestion的演讲内容
晶圆厂和EDA公司天生具备引入AI的基因，大数据处理、智能优化算法等问题都须要有更优、更新的算法来替代。我们期待着AI能够造福广大工程师，也更希望利用AI技能，创造新问题，首立异的研究和技能领域。
— END —
本文转自：知乎Forever snow。如需转载，请联系原出处。
