大电路模型（LCM）

• IC 设计流程中，EDA 工具起到了必不可少的作用；
• 设计流程中，每一层到下一层都是一对多的关系；
  • 在各个层次之间转换时，需要考虑优化、验证；
• AI for EDA：
  • 传统方法：针对一个特殊任务设计一个网络，通过数据驱动的方式做一些预测；通过预测数据来强化学习；
    • 但这种方法缺乏泛化能力：不同电路设计具有显著的结构和功能多样性（很难说是同分布的，而小网络对 OOD 场景效果不好）；
  • LLM 方法：大量数据训练，很少 OOD；
• LLM for EDA：
  • 基础应用：生成 HDL 代码，或者做半导体知识问答；
    • 但 HDL 正确性和 PPA 都无法保证；
  • LLM 做 HDL 代码解释还可以；但生成测试用例效果不是很好；做 reasoning 效果更差（如何设计来实现指定的输入输出）；
  • 认为 LLM 不能解决 EDA 中复杂的优化和验证问题；
    • Ilya 宣称压缩即智能；电路数据跟其他数据具有显著的差别：文本或图像数据中，已经包含了“你想压缩的数据”；然而电路描述的是一个计算过程的数据，而 LLM 无法有效的压缩相关的信息；
      • 解决方法：需要一个专用的模型，来对电路这种特殊的数据，设计能够表征计算信息的 native 模型；（比较大胆的假设，“软件代码也是一样的，只是没人做”听起来不太站得住脚）
      • DeepGate@DAC22 ：预训练任务为预测节点逻辑概率；
      • DeepGate2@ICCAD23 ：引入更多预训练任务，将结构和功能分开进行表征学习；
      • DeepGate3@ICCAD24 ：将 DeepGate 2 作为 tokenizer，结合 transformer，支持门级和子图级表征；
  • 电路的表征学习还在一个初级阶段：无法表达“整体-部分”之间的关系；
    • 因此将芯片设计流程看成一个多模态转换过程：从 spec 描述，到功能建模，到 HDL 描述，到逻辑综合，到物理设计；
    • 所以要做的是强约束下的多模态转换。各个模态描述的是同一功能，只是实现层次和细节有所不同；
  • 引入大电路模型：
    • 相当于在压缩跨阶段的相关信息，不再每一阶段分别学习表征，而是“分久必合”；
    • 训练出来后，可以提升现有 EDA 工具的效率，也可以创建新的工具；
    • 数据来源：OpenCores，RV，OpenROAD 等；开源电路数据相对于软件少很多，然而实际的电路种类是有限的，而且在实现上都可以分为数据通路和控制通路；
    • 算力来源：GPU 服务器；
    • 网络架构设计：基本上不太需要发明新的架构了，而是考虑该训练什么；
  • LCM 的应用：
    • 设计左移：在 RTL 阶段做优化；
    • 验证：比如多位宽运算电路的电路验证，不一定要在网表阶段做验证，可以用 LCM 做反编译，在高层次进行验证；
    • 电路生成：直接输入 spec 生成 GDSII；虽然不太可能，但不过也许可以看出哪个电路设计更好；
  • LCM 论文：Large Circult Model
  • 阶段性成果：
    • 分为三层：
      • 数据层：已经收集超过 22 万个电路设计文件，超过一亿行设计代码；（说今年开源，能弄到吗？）；RTL 代码是最重要的，同一份 RTL 代码可以生成大量下层数据；
      • 模型层：
        • DeepRTL：采用 Encoder-Decoder 架构，能够对百行的 Verilog 代码给出准确解释；
        • DeepLayout：
        • SAT：
        • DeepDatapath：设计高性能累加树可建模为组合优化问题，设计空间巨大难以搜索；通过 diffusion based 方法进行优化指导；
      • 应用层：
        • 设计左移什么的；

相关文章