人工智能 VS 芯片工程師

　　最近，來(lái)自清華大學(xué)等單位的研究團(tuán)隊(duì)發(fā)表了使用基于強(qiáng)化學(xué)習(xí)人工智能做自動(dòng)化毫米波電路(論文中的例子是濾波器)的設(shè)計(jì)。根據(jù)論文結(jié)果，使用人工智能算法實(shí)現(xiàn)的濾波器設(shè)計(jì)能達(dá)到和真人工程師相近的指標(biāo)，而有趣的是人工智能算法得到的濾波器的形狀則較為不規(guī)則(下圖中的a和d是真人工程師的設(shè)計(jì)，b和e是人工智能算法的設(shè)計(jì))。

　　相關(guān)報(bào)道得到了電路設(shè)計(jì)領(lǐng)域的關(guān)注，不少朋友對(duì)于算法能自動(dòng)設(shè)計(jì)出指標(biāo)和真人設(shè)計(jì)接近的濾波器表示驚訝，并希望未來(lái)能有更多這樣基于人工智能的自動(dòng)化算法來(lái)加速電路設(shè)計(jì)。

　　在筆者看來(lái)，這樣的強(qiáng)化學(xué)習(xí)人工智能算法用于濾波器設(shè)計(jì)確實(shí)是一種學(xué)術(shù)上的突破，而在未來(lái)我們可望看到更多這樣的突破。另一方面，事實(shí)上人工智能已經(jīng)在EDA領(lǐng)域得到了高度重視，甚至我們目前已經(jīng)在用的一些工具中已經(jīng)在算法上加入了人工智能的成分。但是，我們同時(shí)也認(rèn)為，人工智能離真正自動(dòng)設(shè)計(jì)中等規(guī)模以上的復(fù)雜電路還有很長(zhǎng)的路要走，未來(lái)人工智能在EDA領(lǐng)域主要還是以輔助工程師設(shè)計(jì)，簡(jiǎn)化流程以及提高設(shè)計(jì)質(zhì)量為主。

　　人工智能的本質(zhì)

　　要理解人工智能對(duì)于EDA的影響，我們首先要理解這一波人工智能算法的本質(zhì)。這一波人工智能算法歸根到底是基于大數(shù)據(jù)挖掘的機(jī)器學(xué)習(xí)算法，能夠從海量數(shù)據(jù)中把握高維數(shù)據(jù)之間的統(tǒng)計(jì)規(guī)律，并根據(jù)該統(tǒng)計(jì)規(guī)律來(lái)實(shí)現(xiàn)更多的應(yīng)用。

　　實(shí)際上，人工智能最擅長(zhǎng)的其實(shí)是和高維數(shù)據(jù)相關(guān)的分析和優(yōu)化的任務(wù)。什么是“高維數(shù)據(jù)”?用簡(jiǎn)單一點(diǎn)的方式來(lái)解釋，可以大致理解為“受很多種因素影響的變量”。

　　舉例來(lái)說(shuō)，如果我們把“用戶購(gòu)買某款網(wǎng)紅口紅的概率”作為一個(gè)變量，那么我們會(huì)發(fā)現(xiàn)該變量會(huì)與用戶的性別、年齡、學(xué)歷、收入、居住地、是否喜歡網(wǎng)購(gòu)等大量因素有關(guān)，把所有這些相關(guān)因素組成一個(gè)向量，就是一個(gè)高維數(shù)據(jù)。人類天生很難定量處理這種高維數(shù)據(jù)，所以往往要降維處理，例如根據(jù)數(shù)據(jù)總結(jié)出“滿足女性，年齡20-25，大學(xué)以上學(xué)歷，月收入5000以上，居住在二線以上城市，喜歡網(wǎng)購(gòu)這些條件的人最可能買這款網(wǎng)紅口紅”，但這遠(yuǎn)遠(yuǎn)做不到定量，因?yàn)樽兞亢陀绊懸蛩刂g的關(guān)系人類難以找到一個(gè)擬合的數(shù)量關(guān)系。

　　例如用戶A年齡為26(超出前述20-25范圍)，但是對(duì)網(wǎng)購(gòu)有遠(yuǎn)超常人熱情的女性，雖然沒有落在前述規(guī)律的范圍里，但是甚至?xí)嚷湓谇笆鲆?guī)律范圍里的人有更大的可能去買該款口紅。但是如果用機(jī)器學(xué)習(xí)就能找出變量與各個(gè)影響因素之間的擬合數(shù)量關(guān)系，這樣對(duì)于用戶A的例子，雖然其年齡項(xiàng)的得分略低，但是其網(wǎng)購(gòu)熱情得分極高，因此其購(gòu)買口紅傾向的總分也會(huì)較高，系統(tǒng)就可以順利將其歸納為該口紅的潛在消費(fèi)者。

　　如果我們看前面人工智能設(shè)計(jì)濾波器的例子，也能看到類似的情況。濾波器的走線事實(shí)上是一個(gè)高維數(shù)據(jù)，因?yàn)槊恳粋€(gè)像素點(diǎn)都存在自由度讓工程師去決定走線要不要覆蓋到這里。對(duì)于人類工程師來(lái)說(shuō)，由于難以處理這么高的數(shù)據(jù)維度，所以設(shè)計(jì)的時(shí)候會(huì)采取降維的方法，即以畫直線為主，可調(diào)整的變量簡(jiǎn)化到了直線的粗細(xì)、直線之間的間距以及直線的數(shù)量等等。而人工智能則不受數(shù)據(jù)維度的限制，因此會(huì)探索出更自由的設(shè)計(jì)模式，相應(yīng)地其設(shè)計(jì)結(jié)果在人類看起來(lái)也會(huì)顯得更不規(guī)則——因?yàn)橐坏┌凑找?guī)則，就意味著數(shù)據(jù)維度的降低。

　　當(dāng)然，這一代的人工智能雖然具有處理高維數(shù)據(jù)的強(qiáng)大能力，與此同時(shí)也有很強(qiáng)的局限性，即缺乏抽象推理、因果歸因和歸納的能力，同時(shí)其生成的能力也偏弱。另外，由于人工智能是基于大數(shù)據(jù)的數(shù)據(jù)挖掘，因此在數(shù)據(jù)量不夠大的時(shí)候，就難以工作。因此，人工智能目前還沒發(fā)學(xué)習(xí)到一套抽象的、普適性較強(qiáng)的設(shè)計(jì)方法，也就限制了其自動(dòng)完成復(fù)雜設(shè)計(jì)的能力。

　　人工智能在電路設(shè)計(jì)中的應(yīng)用

　　根據(jù)之前的分析，我們可以發(fā)現(xiàn)人工智能對(duì)于電路設(shè)計(jì)最適合的應(yīng)用是對(duì)于高維數(shù)據(jù)空間的探索，包括擁有海量影響因素導(dǎo)致人類設(shè)計(jì)師難以把握的問題，以及啟發(fā)式的優(yōu)化問題。

　　機(jī)器學(xué)習(xí)和人工智能在EDA領(lǐng)域最普遍的應(yīng)用例子就是數(shù)字電路后端的布局布線。數(shù)字電路的布局布線屬于典型的啟發(fā)式(heuristic)探索問題，即由于變量空間過大，難以找到全局最優(yōu)解，因此實(shí)際的方法都是從一個(gè)試探型的初始解開始，慢慢探索嘗試，最終收斂到一個(gè)較好的解上面。對(duì)于數(shù)字后端布局布線流程比較熟悉的朋友們一定會(huì)知道通常布線流程會(huì)包括trial route、global route、detailed route以及反復(fù)的incremental optimization，這也就是一個(gè)典型的通過啟發(fā)式算法找到較優(yōu)解的流程。

　　對(duì)于較大的設(shè)計(jì)，布線算法的每一步都要跑非常久(數(shù)小時(shí)到數(shù)天)，但是最后又不一定會(huì)真正收斂到較好的解，有時(shí)候甚至?xí)霈F(xiàn)跑optimization結(jié)果反而變差的現(xiàn)象，這其實(shí)也是傳統(tǒng)的啟發(fā)式算法的典型現(xiàn)象，因?yàn)閱l(fā)式算法的探索只是大概率會(huì)得到更好的解，但是不能保證每次探索都能找到更好的解。