首页/文章/ 详情

系统级优化:超越芯片级的思考

4小时前浏览15
本文翻译转载于:Cadence blog
作者:Steve Brown

在系统级优化芯片对于实现峰值性能、效率和系统可靠性至关重要。

伴随着摩尔定律的收益递减问题,单纯地通过过渡到最新工艺节点已不再能保证为迭代产品带来更为实质性的功耗、性能改进或成本降低。相反,目前的重点已经转移到对整体设计的全面优化,从布线到热能管理和功耗预算,这已成为实现重大进步的基本要求。

这个复杂而昂贵的工作流程涵盖多个学科:设计、原型、测试、跨越多次迭代的精化、验证和最终制造。这是一个需要对设计团队进行大规模重组的工作流程——从以往的顺序交付转向系统内多个组件的同时设计。

随着越来越多的系统公司自行设计芯片,半导体公司也开始交付软件栈,优化也扩展到软件层面。尽管这种方法已取得了许多卓越成果,并使终端产品的实质性差异化成为可能,然而系统级优化的下一个巨大飞跃则要求我们比以往任何时候都需要思考得更深、更广泛、更全面。我们需要针对终端设备、最终用户、环境和不断发展的市场进行优化——重新定义我们所说的“系统级”,涵盖面从芯片到整个终端产品的一切,它可能是一部智能手机、一辆汽车甚至是整个数据中心。

1

全局思考

这并不是一个新的想法——例如在汽车工业领域,人们关注汽车芯片和硬件的设计,探索针对整个电动汽车和各个零部件的优化技术,以适应智能驾驶、汽车电池和全球各国的采购政策,并关注其整体的生命周期成本。

而借助 Cadence Optimality Intelligent System Explorer,我们首次将设计中的优化引入芯片设计。但如果说汽车行业一直关注电动汽车的整体设计,而 Cadence 软件是用来创造用于电动汽车的技术,那我们的角色为什么要仅仅停留于芯片设计呢?将“系统级层面”扩展到电动汽车的整个电子系统、传感器和执行器网络、车身的形状和结构材料、电动汽车的车身轮廓、以及未来维护和升级的方便程度,这是非常合理且有意义的。

在这个尺度上,或许我们接近了混沌理论——每个元素都相互作用,相互影响。例如,如果优化了电子系统设计,改变了车身的形状,电子设备是否需要以某种方式重新优化?甚至电动汽车最终使用的环境条件也可能影响我们设计某些系统的方式。

上述都只是猜测,但这确实是自然界的运作方式。如今的动物和植物已经进化到在隔离和更广泛的生态系统中——从细胞到行星——发挥最佳功能。以北极熊为例,数十万年来,它拥有完美优化的能量保存和热调节系统,能够在零下 50 华氏度的低温,并且在没有食物的情况下生存长达半年。然而今天,拥有完美优化的北极熊数量在全球范围内迅速减少。预计到 2050 年,它们的数量将减少 30%。残酷的现实就是北极熊已经不能适应它所居住环境的生态系统了。

2

不要揣测,让仿真说话

产品设计与自然演化不同,我们拥有更快的迭代和进化能力。但现实世界中的迭代设计是一项耗时耗力的工作,而且即便如此,你也永远不知道自己是否真正实现了优化。传统的系统开发 V-model 将实施放在了生命周期的中间,而当你开始推断出如此巨大的规模和看似无限的需求与变量时,在物理世界中构建任何事物只会限制系统作为一个整体的优化。

解决方案是在设计的同时进行仿真。但即使是最简单的设计,仿真任何如此复杂的事物仍然很难。在过去的几年里,我们尝试将人工智能(AI)应用于每个特定领域的设计工具,帮助客户在加速设计、仿真和验证极其复杂的系统方面取得了突破性的进展。

对工程师来说,这改变了他们的生活。过去 30 年里,他们一直遵循着输入、输出、分析、调整参数的流程,不断重复,直到几周、几个月、甚至可能几年之后,才能达到一个类似优化设计的效果。而在人工智能驱动的仿真中,这个迭代过程可以缩短到只需要几天甚至几个小时。

   

Cadence 已经将其专业知识扩展到包括计算流体力学(CFD)在内的领域,用于表征物理产品内部和周围液体、气体的流动,以及分子仿真等领域。通过为完整系统开发 AI,Cadence 正在尝试打破常规,提供全面的系统优化方法——一个超越芯片级的,同时考虑到产品设计和应用等所有方面的方法。

借助 Cadence 所独有的优势,我们正在开发一种真正集成的优化方法,通过杰出的设计和极具竞争力的承诺,帮助客户实现多个维度的同步优化。这一前景无限的领域,值得您持续关注!   


 


 

来源:Cadence楷登
System电路半导体航空汽车电子消费电子芯片理论材料Cadence人工智能
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-03-18
最近编辑:4小时前
Cadence楷登
签名征集中
获赞 0粉丝 19文章 31课程 0
点赞
收藏
作者推荐

AI 助力优化电子设计

本文经授权翻译转载于 EETimes.com 作者:Ben Gu,Cadence 全球副总裁 兼多物理场仿真事业部总经理 当今设计流程正在保持极速演化并推动我们实现高度优化的 IC、PCB 和系统,实现全球化的创新。目前,通过在设计探索和验证过程中更早地应用分析,我们已经成功实现了复杂多物理场分析和多领域协同优化。然而,日益增加的设计复杂性,使得传统的分析方法 正接近瓶颈,转而通过机器学习(ML)和 AI 支持的流程将逐步登上未来发展的舞台。这听起来似乎有点夸张,但如果应用得当,ML 技术将发挥非常强大的作用,而电子行业永远不缺的恰巧就是将设计数据“喂”给机器学习。当然,关键在于我们需要发展出更成熟的方法,可以有效地将 ML 与数据相结合,从而实现最大化的效益。具体到芯片设计流程,目前从设计到签核大致需要经过下述步骤:首先创建设计,之后通过仿真确定是否符合设计标准,如果不符合则进行调整并迭代。这套流程的确可以实打实地看到结果,然而却面临着如下挑战:1设计复杂性的不断增加。2多领域的协同优化。我们发现必须将 IC、电路板和系统作为一个整体来开发,才能真正实现优化,这又进一步增加了复杂性。3应用于单一设计领域的物理限制也越来越多地影响到其他领域。这些挑战使得传统设计方法的短板开始显现,设计师们需要无休止地在探索流程和分析工具间来回切换以检测他们的设计。所有的这一切都让设计中的多问题协同优化寸步难行,例如热效应对 IR drop(直流压降)的影响或不同封装方式对信号完整性的影响。为了解决这些问题,EDA 厂商正在努力打破“先设计再仿真”的传统方法,为设计师在流程更早期便提供设计分析能力——也就是通常所说的“分析左移”或更学术的说法“设计中分析”。这使得设计师能够进行更多的系统设计和协同优化,例如分析信号穿过 SerDes 通信通道时的完整性,这个过程包括信号从发射器 IC 芯片经过其封装,穿过 PCB,到达接收器 IC 的封装,最后进入接收器的芯片。 “分析左移”的方法让设计师能够更系统地去思考,强大的设计工具可以帮助设计师识别跨域约束的冲突,安全且及时地发现优化机会。现在的挑战是如何有效地探索这些扩展的设计空间,特别是习惯在单一领域(比如 IC 或 PCB)工作的设计师,他们更需要适应并学习多领域协同优化。此时 ML 技术终于迎来大展身手的舞台。尤其是现在大火的生成式 AI 技术,它可以基于最初在多个候选设计的物理基础上训练模型,产生设计选项,例如 IC 中连接层的过孔。对候选参数进行仿真时,生成的数据将被反馈给模型,用于强化学习。模型会保持不断更新,并不断生成更好的候选设计,反过来推动模型的进一步演化。值得一提的是,Cadence 在 Optimality Intelligent System Explorer 工具中实现了上述流程,帮助设计师解决了在大幅扩展的系统设计空间中面临的“选择困难症”。 将 ML 应用于电子设计的下一个方向,很可能会涉及设计师和 EDA 工具供应商所拥有的大量设计数据集,通过这些海量的数据,来提取出代表设计成功或失败警告的模式。此时设计将变成一种协同工作,由设计师和 AI 助手携手在已知模式的限制下共同探索新的设计空间。在新场景下,早期设计探索可能不再由仿真工具驱动,而是更依赖于辅助应用程序,AI 助手不会简单地告诉设计师“不要做”,而是会根据数据分析,指出哪些特征可能导致失败,引导设计师做出更好的选择。虽然在实现这样的联合试点工作之前,我们还有很长的路要走。但 Cadence 已建立起 Cadence Joint Enterprise Data and AI(JedAI)Platform,利用数据库基础设施、工具和路线图、经验和见解,将 ML 和 AI 的力量应用于电子设计。Cadence 将助力设计师们始终走在全球创新前沿,不断推动创新的边界! 来源:Cadence楷登

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈