KI-Hilfe im Chipdesign EDA-Branche benötigt industriegerechte KI für das Chipdesign

Anbieter zum Thema

Siemens EDA

MES Electronic Connect GmbH & Co. KG

Cadlog Group

IBR Leiterplatten GmbH & Co. KG

KI-Lösungen für Endverbraucher machen aufgrund ihrer Kreativität und Geschwindigkeit Schlagzeilen. Die Anpassung dieser Modelle für technische Anwendungen wie das Halbleiterdesign erfordert jedoch einen grundlegend anderen Ansatz.

Künstliche Intelligenz (KI) verändert weltweit ganze Branchen. Die Medien widmen KI-Lösungen für Endverbraucher wegen ihrer Kreativität, Geschwindigkeit und Zugänglichkeit erhebliche Aufmerksamkeit – von ChatGPT und der Meta-KI-App über Gemini für die Bilderstellung, Sora für Videos und Sona für Musik bis hin zu Perplexity für die Websuche.

Die Anpassung dieser beeindruckenden Modelle für anspruchsvolle technische Anwendungen wie das Design von Halbleiterchips, die Fertigung und die Robotik ist jedoch wesentlich komplexer. In diesen Bereichen sind Modellergebnisse, die falsch, fabriziert (Halluzinationen) oder inkonsistent sind, einfach inakzeptabel. Bei KI für Endverbraucher führt ein Fehler möglicherweise zu einer lustigen Antwort. Doch beim Chipdesign kann es Millionen kosten, wenn während des Tapeouts und der Herstellung Fehler auftreten. Deshalb benötigt die EDA-Branche einen industriegerechteren Ansatz für die KI.

KI für Endverbraucher im Vergleich zu industriegerechter KI

Zunächst werden die wichtigsten Merkmale von KI für Endverbraucher definiert und untersucht, wie diese sich von den Anforderungen für eine industriegerechte KI unterscheiden.

KI für Endverbraucher ist häufig optimiert in Bezug auf:

• Kreativität: Priorisierung der Entwicklung von neuen Ideen, Texten und Bildern, selbst wenn die Ergebnisse nicht unbedingt faktenbasiert oder präzise sind.

• Unterstützung für Mobilgeräte: Der Schwerpunkt liegt auf Zugänglichkeit und Benutzerfreundlichkeit für Smartphones und andere Mobilgeräte.

• Benutzerspezifische Gestaltung und Personalisierung: Anpassung von Stil, Empfehlungen und Speicherung an die persönliche Geschichte und die angegebenen Vorlieben einer Person.

• Teilbarkeit: Integration von Tools zum schnellen Posten, Verlinken oder Exportieren generierter Inhalte auf sozialen Medien oder Messaging-Plattformen.

• Sprachmodus: Ermöglichung eines Freisprechbetriebs durch Sprachbefehle und akustische Rückmeldungen für höchsten Komfort.

Diese Prinzipien unterscheiden sich grundlegend von den Merkmalen, die für industriegerechte KI erforderlich sind und die folgende Schwerpunkte haben:

• Genauigkeit: Es muss gewährleistet werden, dass alle Ergebnisse quantitativ korrekt sind sowie strengen physikalischen Gesetzen und technischen Einschränkungen entsprechen, wobei selbst ein winziger Fehler kritisch sein kann.

• Verifizierbarkeit: Bereitstellung transparenter, rückverfolgbarer Entscheidungspfade, damit Ingenieure genau prüfen können, wie und warum die KI zu einem bestimmten Ergebnis gekommen ist.

• Robustheit: Beibehaltung einer hohen Leistung, Zuverlässigkeit und Konsistenz, selbst bei völlig neuartigen, verrauschten oder unvollständigen Datensätzen.

• Generalisierbarkeit: Erfolgreiche Anwendung von Erkenntnissen und Modellen, die für ein bestimmtes Designproblem entwickelt wurden, auf neue und bislang ungelöste technische Herausforderungen.

• Benutzerfreundlichkeit: Die nahtlose Integration in etablierte Computer-Aided-Design-(CAD)- und Computer-Aided-Engineering-(CAE)-Softwaretools sowie ingenieurtechnische Workflows erfolgt ohne eine separate, eigenständige Anwendung. Um diese KI-Lösungen zu nutzen, sind keine umfangreichen Schulungen für Ingenieure erforderlich.

KI für die hohen Anforderungen des Chipdesigns

Nachdem die Hauptunterschiede zwischen diesen beiden Paradigmen herausgearbeitet wurden, soll untersucht werden, warum eine industriegerechte KI für Tools zur Electronic Design Automation (EDA), die das Chipdesign unterstützen, erforderlich ist.

An erster Stelle steht dabei die Genauigkeit. Jeder Schritt im Chipdesignprozess, vom ersten Schaltplanentwurf bis zum letzten Tapeout, verlangt absolute Präzision. Schon ein einziger Fehler kann bei der Chipproduktion oder kritischen Industrieprozessen erheblichen Schaden verursachen, der zu bedeutenden finanziellen und betrieblichen Verlusten in Form verschwendeter Herstellungskosten, kompletter Chipausfälle oder kostspieliger Produktrückrufe führen kann. Dies stellt ein hohes Risiko dar, das die Branche unbedingt vermeiden muss.

Zweitens sind Robustheit und Reproduzierbarkeit entscheidend. Die heutigen allgemeinen LLM sind wahrscheinlichkeitsbasierte Modelle. Sie können nicht garantieren, dass jedes Mal dieselben Ergebnisse erzielt werden. Diese Variabilität ist problematisch für den Entwicklungsbereich. Wenn ein allgemeines LLM für eine ganz spezielle Aufgabe wie RTL-Generierung oder High-Level-Synthese (HLS) verwendet wird, hat es gegebenenfalls damit zu kämpfen, volle Reproduzierbarkeit zu erreichen. Es gibt also möglicherweise Schwierigkeiten, einen bestimmten Designblock zu reproduzieren oder denselben IP-Block konsistent in einem neuen Chipdesign anzuwenden. Das bringt erhebliche Herausforderungen für die Verifizierung und Fertigung mit sich.

Drittens sind Verifizierbarkeit und Rückverfolgbarkeit unerlässlich. Ingenieure können sich nicht auf eine „Blackbox“ verlassen, die ihnen einfach eine Antwort gibt. Es ist notwendig, dass sie erkennen, wie die KI ihre Entscheidungen getroffen hat. Bei Bestückung und Routing kann eine KI etwa Tausende von möglichen Layouts analysieren. Ein verifizierbares System würde diese verschiedenen Optionen und die jeweiligen, damit verbundenen Zugeständnisse protokollieren. Dadurch kann der Chip-Designer nachverfolgen und erkennen, warum ein Layout eine bessere Leistung, Effizienz und Flächennutzung (PPA) erzielt hat als ein anderes. Letzten Endes kann er dem endgültigen Design vertrauen und es validieren.

Beispiele für KI im EDA-Bereich

Ein anschauliches Beispiel dafür, wie die beschriebenen Prinzipien für industriegerechte KI praktisch umgesetzt werden können, ist die Solido Design Environment Software von Siemens. Sie setzt adaptive und additive KI-Technologien ein, um Designs und IPs mittels Monte-Carlo-Simulationen für Mixed-Signal-Designs und kundenspezifische ICs zu validieren. Dies sorgt für eine um ein Vielfaches höhere Geschwindigkeit bei komplexen Aufgaben wie der Variationsanalyse. Die erwähnten Technologien nutzen lokale Machine-Learning-Modelle, um die Ergebnisse intensiver SPICE-Simulationen aus einigen anfänglichen Full-Fidelity-Durchläufen vorherzusagen.

Aber die Software macht nicht nur blinde Abschätzungen. Sie überprüft ihre eigenen Vorhersagen ständig anhand einer Vertrauensschwelle und liefert SPICE-genaue Ergebnisse. Wenn eine Vorhersage außerhalb der erwähnten Sicherheitsmarge liegt, kehrt das System automatisch zu einer Full-Fidelity-SPICE-Simulation zurück, um die Richtigkeit zu gewährleisten. Dieser clevere Hybridansatz verdeutlicht perfekt die industriegerechten Prinzipien:

• Er ist genau, da er garantiert, dass alle Ergebnisse innerhalb der vom Benutzer angegebenen Schwellwerte liegen.

• Er ist verifizierbar, da er jede einzelne Vorhersage selbst auf ihre Genauigkeit überprüft.

• Und er ist robust, da diese bewährte Verfahrensweise unter verschiedenen Simulationsbedingungen zuverlässig wiederverwendet werden kann.

Ein weiteres Beispiel ist die kürzlich eingeführte Lösung Aprisa AI. Der KI-Design-Explorer, eine wichtige Technologie in Aprisa AI, nutzt Machine-Learning- und Reinforcement-Algorithmen, um alle wichtigen Phasen der digitalen Implementierung zu unterstützen und die Arbeitsabläufe im Hinblick auf optimale PPA-Ergebnisse zu optimieren. Aprisa AI untersucht in jeder Phase verschiedene Abläufe innerhalb eines zielgerichteten Designraums und berücksichtigt dabei die Art des Designs sowie die vom Entwickler gewählten Metriken. Dann entscheidet sie automatisch, welche Pfade zu den nächsten Untersuchungsphasen übergehen sollen, bis sie einen vollständigen Ablauf erreicht hat, wobei sie die Kernressourcen effizienter ausnutzt. Während der Agent gestartet werden kann und automatisch alle Entscheidungen trifft, um die optimale Lösung für den Ablauf zu finden, bietet Aprisa AI den Entwicklern Verifizierbarkeit und Flexibilität.

In jeder Phase werden alle Datenbanken zur Benutzerinspektion und Interaktion mit den Daten und Protokollen abgespeichert. Der KI Design Explorer von Aprisa AI bietet auch ein Dashboard mit allen Ergebnissen der Untersuchungen. Entwickler können damit alle Metriken anzeigen und untersuchen, warum ein bestimmter Ansatz eine bessere PPA erzielt als ein anderer. Auch hier gelten wieder, wie im obigen Beispiel, die Prinzipien der Verifizierbarkeit, Robustheit, Benutzerfreundlichkeit und Generalisierbarkeit.

Führend bei der KI-Transformation des Chipdesigns

Die Transformation der KI im EDA-Bereich geht weit über die einfache Einführung und Anpassung einer KI für Endverbraucher hinaus. Sie erfordert vielmehr die Einführung von Lösungen, die genau, robust, verifizierbar, benutzerfreundlich und generalisierbar sind. Siemens EDA engagiert sich dafür, diese Transformation im Chipdesign zu forcieren. Dazu entwickelt das Unternehmen Lösungen, auf die sich Ingenieure, Manager und Führungskräfte bei ihren hochkritischen Halbleiterdesigns verlassen können. Siemens EDA ist überzeugt, dass die Zukunft des Chipdesigns nicht auf generischen Chatbots basiert, sondern auf vertrauenswürdiger, erklärbarer und industriegerechter KI, die als Partner vollständig in jeden Schritt des Halbleiter-Workflows integriert ist. (sb)

* Niranjan Sitapure, PhD, ist Central AI Product Manager bei Siemens EDA. Er ist verantwortlich für die Roadmap, die Entwicklung, strategische KI-Initiativen und das Produktmarketing für das KI-Portfolio von Siemens EDA. Niranjan Sitapure verfügt über einen PhD in Ingenieurwissenschaften der Texas A&M University. Er sammelte umfangreiche Erfahrungen im Bereich hochentwickelter KI/ML-Technologien, unter anderem zu Zeitreihentransformatoren, LLMs und digitalen Zwillingen für ingenieurtechnische Anwendungen. Er ist unter Niranjan.sitapure@siemens.com oder auf LinkedIn erreichbar.

(ID:50681330)