人工智能 VS 芯片工程師

　　最近，來自清華大學等單位的研究團隊發表了使用基于強化學習人工智能做自動化毫米波電路(論文中的例子是濾波器)的設計。根據論文結果，使用人工智能算法實現的濾波器設計能達到和真人工程師相近的指標，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則(下圖中的a和d是真人工程師的設計，b和e是人工智能算法的設計)。

　　相關報道得到了電路設計領域的關注，不少朋友對于算法能自動設計出指標和真人設計接近的濾波器表示驚訝，并希望未來能有更多這樣基于人工智能的自動化算法來加速電路設計。

　　在筆者看來，這樣的強化學習人工智能算法用于濾波器設計確實是一種學術上的突破，而在未來我們可望看到更多這樣的突破。另一方面，事實上人工智能已經在EDA領域得到了高度重視，甚至我們目前已經在用的一些工具中已經在算法上加入了人工智能的成分。但是，我們同時也認為，人工智能離真正自動設計中等規模以上的復雜電路還有很長的路要走，未來人工智能在EDA領域主要還是以輔助工程師設計，簡化流程以及提高設計質量為主。

　　人工智能的本質

　　要理解人工智能對于EDA的影響，我們首先要理解這一波人工智能算法的本質。這一波人工智能算法歸根到底是基于大數據挖掘的機器學習算法，能夠從海量數據中把握高維數據之間的統計規律，并根據該統計規律來實現更多的應用。

　　實際上，人工智能最擅長的其實是和高維數據相關的分析和優化的任務。什么是“高維數據”?用簡單一點的方式來解釋，可以大致理解為“受很多種因素影響的變量”。

　　舉例來說，如果我們把“用戶購買某款網紅口紅的概率”作為一個變量，那么我們會發現該變量會與用戶的性別、年齡、學歷、收入、居住地、是否喜歡網購等大量因素有關，把所有這些相關因素組成一個向量，就是一個高維數據。人類天生很難定量處理這種高維數據，所以往往要降維處理，例如根據數據總結出“滿足女性，年齡20-25，大學以上學歷，月收入5000以上，居住在二線以上城市，喜歡網購這些條件的人最可能買這款網紅口紅”，但這遠遠做不到定量，因為變量和影響因素之間的關系人類難以找到一個擬合的數量關系。

　　例如用戶A年齡為26(超出前述20-25范圍)，但是對網購有遠超常人熱情的女性，雖然沒有落在前述規律的范圍里，但是甚至會比落在前述規律范圍里的人有更大的可能去買該款口紅。但是如果用機器學習就能找出變量與各個影響因素之間的擬合數量關系，這樣對于用戶A的例子，雖然其年齡項的得分略低，但是其網購熱情得分極高，因此其購買口紅傾向的總分也會較高，系統就可以順利將其歸納為該口紅的潛在消費者。

　　如果我們看前面人工智能設計濾波器的例子，也能看到類似的情況。濾波器的走線事實上是一個高維數據，因為每一個像素點都存在自由度讓工程師去決定走線要不要覆蓋到這里。對于人類工程師來說，由于難以處理這么高的數據維度，所以設計的時候會采取降維的方法，即以畫直線為主，可調整的變量簡化到了直線的粗細、直線之間的間距以及直線的數量等等。而人工智能則不受數據維度的限制，因此會探索出更自由的設計模式，相應地其設計結果在人類看起來也會顯得更不規則——因為一旦按照規則，就意味著數據維度的降低。

　　當然，這一代的人工智能雖然具有處理高維數據的強大能力，與此同時也有很強的局限性，即缺乏抽象推理、因果歸因和歸納的能力，同時其生成的能力也偏弱。另外，由于人工智能是基于大數據的數據挖掘，因此在數據量不夠大的時候，就難以工作。因此，人工智能目前還沒發學習到一套抽象的、普適性較強的設計方法，也就限制了其自動完成復雜設計的能力。

　　人工智能在電路設計中的應用

　　根據之前的分析，我們可以發現人工智能對于電路設計最適合的應用是對于高維數據空間的探索，包括擁有海量影響因素導致人類設計師難以把握的問題，以及啟發式的優化問題。

　　機器學習和人工智能在EDA領域最普遍的應用例子就是數字電路后端的布局布線。數字電路的布局布線屬于典型的啟發式(heuristic)探索問題，即由于變量空間過大，難以找到全局最優解，因此實際的方法都是從一個試探型的初始解開始，慢慢探索嘗試，最終收斂到一個較好的解上面。對于數字后端布局布線流程比較熟悉的朋友們一定會知道通常布線流程會包括trial route、global route、detailed route以及反復的incremental optimization，這也就是一個典型的通過啟發式算法找到較優解的流程。

　　對于較大的設計，布線算法的每一步都要跑非常久(數小時到數天)，但是最后又不一定會真正收斂到較好的解，有時候甚至會出現跑optimization結果反而變差的現象，這其實也是傳統的啟發式算法的典型現象，因為啟發式算法的探索只是大概率會得到更好的解，但是不能保證每次探索都能找到更好的解。