Xilinx将AI加入FPGA EDA

半导体产业纵横 2021-07-20 18:00

本文由半导体产业纵横编译自“EE Journal”。


几十年来,FPGA 公司一直在吹嘘如何使用他们的设备来加速各种计算密集型功能,并且他们为自己建立了一个庞大的市场,让设计团队相信他们可以从容地处理最棘手的问题——加速执行并减少电力需求。


“嘿!”后面的一个人说,“那你怎么不加速自己的设计工具呢?”


然后就是一阵手忙脚乱和双方谈话,然后营销人员会站出来说一些关于目标市场通用性和解决方案可移植性以及用户平台偏好的词,因此......刚刚问题是什么来着?


现在,FPGA 对于加速 AI 推理来说意义重大,我们都知道 AI 对……几乎所有事情都有用,对吧?


哦,哦。“幕后黑手”又来了。“呃,如果人工智能这么棒,你为什么不用它来让你的设计工具更好地工作呢?”


“嘿,”赛灵思说。“就这样吧!” (编者注:这些可能不是他们的实际用词。)


尽管如此,赛灵思现在已经发布了 Vivado ML 版本,看起来他们使用机器学习来改进他们的 FPGA 设计工具已经取得了一些非常令人印象深刻的结果。总而言之,Xilinx 使用 AI 的魔力以及一些不太神奇的分层设计流程优化,将结果质量(QoR)提高了 10%-50% 以上。广泛的设计风格。而且,与此同时,他们实现了“减少5 到 17 倍的编译效果”。(是的,我们知道。“减少 5 倍”不是一回事。他们真正的意思是编译时间减少 80% 到 94%)。


所以,这些数字听起来很重要,因为它们确实如此。从历史上看,QoR 收益是很难实现的。为综合和布局布线等任务开发算法的工程师如果能够进行算法更改,将结果平均提高 1-2%,他们会喜出望外,即便如此,他们通常也必须证明设计类型的范围,有些设计改进,有些设计变差,但平均改进。看来 Xilinx 的 AI 添加只会让事情变得更好。


即使使用最好的工具,编译 FPGA 设计也是一门艺术。设计工具的专家用户可以挥动他们的魔杖,调整优化选项和约束,花费大量的 CPU 时间,并获得明显优于普通用户启动工具并按下绿色大按钮的结果。


Xilinx 正在做的部分工作是将 AI 模型作为新专家投入使用。他们已经在大量设计中训练了他们的工具,并且人工智能可以比过去更接近于在第一次尝试时实现最佳设置——因此——更快地获得更好的结果。设计流程的不同部分从不同的 ML 方法中受益最大,因此赛灵思针对该问题投入了广泛的训练模型,并取得了令人印象深刻的结果。


Xiinx 表示,平均设计尺寸一直以高达 38% 的复合年增长率增长,而目前的器件封装了大约 920 亿个晶体管,这使得 EDA 问题迅速变得“站不住脚”。已经在努力跟上趋势的传统工具需要一些快速帮助,而在问题上投入一点人工智能可能只是在正确的时间采取正确的步骤。


例如,着眼于时序收敛问题,Xilinx 创建了他们所谓的“智能设计运行”或“IDR”,它使用基于 ML 的拥塞估计来查看路由热点的位置,预测路由器行为,并努力避免拥塞,基于 ML 的延迟估计以找到时序收敛热点,对复杂路由具有更好的延迟预测,以及基于 ML 的策略预测,它从基于 100,000 多个设计价值的训练数据的 60 多个自定义策略中挑选。IDR 可以显著减少实现时序收敛所需的设计迭代次数,从项目进度中不可预测的部分中占据很大一部分。


这里的关键是电子设计中有明确的模式,特别是重用大型 IP 块和分层设计技术。这在 AI 训练中发挥了很好的作用,利用 AI/ML 的复杂模式识别能力来选择在类似设计中取得了成功。


当然,现代设计不是在一次性真空中制成的。Xilinx 利用大多数项目的增量、分层、基于团队的特性,通过基于分层模块的编译以及他们所谓的“抽象壳”。在基于分层模块的编译中,用户定义可重构模块 (RM),工具流将仅根据定义的 RM 中包含的内容编译和关闭时序。这种分层编译方法显着提高了速度,因为工程师可以在设计的不同部分并行工作,并且还提供安全切换,因为活动设计文件不包含设计的其余部分。抽象壳将平台接口的编译与处理内核分离。这也使设计团队能够轻松创建和重用他们自己的动态 IP,通过推广基于团队的设计方法来改进协作设计,允许分而治之的策略,并为大型设计实现多站点合作。


这种基于块的方法,赛灵思使用称为动态函数交换 (DFX) 的方法扩展到动态重新配置,它允许在运行时动态加载和交换自定义硬件加速器,从而节省芯片空间。DFX 可在设备运行时加速复杂的应用程序并促进远程硬件升级和无线更新。


面对 FPGA 设计和复杂性的持续快速增长,对 Vivado 的这些升级是一项受欢迎的改进,这应该只是展示将 AI/ML 技术应用于 FPGA EDA 的潜力的第一轮。人们可以看到未来使用 FPGA 来加速 FPGA 设计流程的 AI/ML 部分,最终完成循环。


*声明:本文系原作者创作。文章内容系其个人观点,我方转载仅为分享与讨论,不代表我方赞成或认同,如有异议,请联系后台。

半导体产业纵横 (微信号: ICViews)半导体产业纵横是神州数码数智创新+平台下的自媒体账号,立足产业视角,提供及时、专业、深度的前沿洞见、技术速递、趋势解析,赋能中国半导体产业,我们一直在路上。
评论 (0)
热门推荐
X
广告
我要评论
0
0
点击右上角,分享到朋友圈 我知道啦
请使用浏览器分享功能 我知道啦