Thiết kế mạch analog, mạch hỗn hợp và mạch tần số vô tuyến là một quá trình hoàn toàn thủ công. Quá trình kỹ thuật dựa trên việc phát triển "cảm nhận" thông qua quá trình lặp đi lặp lại, học hỏi những gì hiệu quả và những gì không. Trực giác là thứ chúng ta dùng để xây dựng sự nghiệp kỹ thuật và tự hào về nó, coi đó là điều không thể thay thế. Nhưng trực giác là gì?

Kỷ nguyên trí tuệ nhân tạo đã đến. Internet đang tràn ngập những người và doanh nghiệp đang cố gắng khai thác sức mạnh của AI để đưa chúng ta vào một kỷ nguyên công nghệ mới. Nhưng chúng ta có thể dạy cho máy móc bao nhiêu khả năng trực giác?

Trong bài viết này, chúng ta sẽ tìm hiểu về bốn khung máy học giải quyết vấn đề tạo ra các thiết kế tương tự tự động:

• Berkeley Analog Generator: Một công cụ thiết kế toàn diện tự động tạo ra sơ đồ, bố cục và mô tả đặc tính mạch.
• AutoCkt: Một khung học tăng cường sử dụng khối lượng mô phỏng ít hơn 10 lần để đạt được các giải pháp thiết kế tối ưu so với các công nghệ tiên tiến hiện nay.
• ALIGN: Một công cụ tạo bố cục tự động được xây dựng theo cấu trúc phân cấp.
• Tuyệt vời: Một công cụ xây dựng bố cục phân cấp có tính đến các yêu cầu về tính đối xứng của bố cục.

Cùng đi lặn nào! Nếu không có nhiều thời gian, bạn có thể bỏ qua phần đầu và chỉ xem những điểm quan trọng ở cuối.

Tạo ra các thiết kế tự động.

Ngoài cuộc cạnh tranh giành nguồn silicon cho AI dựa trên biến áp, sự hứng thú đối với ngành kỹ thuật còn đến từ khả năng xây dựng được của AI. Viễn cảnh "yêu cầu" AI thiết kế mạch điện tử và để nó tạo ra các thiết kế hoàn chỉnh, được tối ưu hóa vượt xa khả năng của con người là điều không thể phủ nhận. Khả năng hình dung bằng các công cụ như DALL-E, Midjourney và Stable Diffusion, cùng với video bằng Sora, cho phép chúng ta tưởng tượng rằng chúng ta có thể tạo ra bố cục chip theo cách tương tự. Với đủ nguồn lực, nhiều năm nỗ lực của con người dễ mắc lỗi có thể được thay thế bằng hàng giờ thiết kế lặp đi lặp lại bằng máy móc. Đó đã là một giấc mơ không tưởng rồi.

Đối với kỹ thuật thuật toán, các kỹ thuật tối ưu hóa, học máy và mạng nơ-ron là nền tảng cho thiết kế tự động thông minh. Sự ra đời của các mô hình ngôn ngữ quy mô lớn đã thúc đẩy sự quan tâm trở lại đối với các lĩnh vực này dưới tên gọi Trí tuệ Nhân tạo (AI). Nhưng ngay cả trong kỷ nguyên trước khi có máy biến áp của AI, các nhà nghiên cứu đã tập trung vào việc sử dụng học máy để giải quyết một vấn đề cấp bách trong thiết kế tương tự: tạo ra các thiết kế tự động.

Các vấn đề trong thiết kế mạch tương tự.

Mặc dù các bố cục kỹ thuật số hiện đại được thực hiện bằng kiến ​​trúc đặt và đường dẫn, nhưng các bố cục tương tự và tín hiệu hỗn hợp được thực hiện thủ công bởi các kỹ sư tay nghề cao, khiến quá trình này tốn nhiều thời gian. Độ phức tạp của thiết kế liên quan lớn hơn nhiều, đòi hỏi sự chú ý cẩn thận đến tính đối xứng của bố cục, giảm thiểu tổn thất và tán xạ, và tính đến các hiệu ứng ghép nối và ký sinh.

Nguyên lý ký sinh học chỉ ra rằng các giá trị sơ đồ cần được thiết kế lại khi xem xét. Vòng lặp lặp đi lặp lại của thiết kế sơ đồ, tạo sơ đồ, trích xuất ký sinh học và đánh giá hiệu suất là một phần tốn thời gian và quan trọng của quy trình thiết kế.

Những nỗ lực trước đây nhằm tự động hóa thiết kế mạch tương tự không phải lúc nào cũng thành công trong ngành. Các ông lớn trong lĩnh vực EDA như Cadence Design Systems và Synopsys đã cung cấp các công cụ để tự động tạo bố cục từ sơ đồ mạch; tuy nhiên, kết quả không phải lúc nào cũng đáp ứng được "thẩm mỹ" của các nhà thiết kế mạch giàu kinh nghiệm. Có một niềm tin cơ bản (và có lẽ là đúng) rằng các thiết kế đẹp mắt về mặt thẩm mỹ thường kém hơn so với hiệu ứng bố cục, vốn thường khó có thể sao chép chính xác.

Có một số lý do khiến việc bố trí mạch analog tự động ngày nay trở nên quan trọng hơn bao giờ hết:

1. Các nút công nghệ hiện đại có các quy tắc thiết kế rất nghiêm ngặt, bao gồm:
   
   1. Điều này khiến việc tự thiết kế trở nên khó khăn.
   2. Thu hẹp phạm vi thiết kế tổng thể để tập trung vào việc tạo bố cục.
2. Nhu cầu về nội dung analog đang tăng lên, các nhà thiết kế giàu kinh nghiệm lại khan hiếm, thời gian chu kỳ thiết kế ngày càng rút ngắn, trong khi các yêu cầu kỹ thuật ngày càng khắt khe hơn.
3. Việc chuyển giao thiết kế giữa các nền tảng công nghệ là rất quan trọng vì nhiều lý do công nghệ và kinh doanh. Chúng ta cần những cách thức để chuyển đổi thiết kế một cách nhanh chóng.
4. Sự xuất hiện của các kỹ thuật học máy, và giờ là trí tuệ nhân tạo dựa trên Transformer, mở ra những cơ hội mới để giải quyết các bài toán thiết kế mạch tương tự tự động.

Về cơ bản, chúng ta cần các công cụ để chuyển đổi các thông số kỹ thuật thiết kế thành sơ đồ và bố cục có thể sản xuất được, đáp ứng các yêu cầu đó với sự can thiệp tối thiểu của con người. Hôm nay, chúng ta sẽ xem xét một số khung công nghệ cho phép thực hiện điều này.

Máy phát điện tương tự Berkeley (BAG)

Berkeley Analog Generator (BAG) là một framework Python dùng để tạo ra các mạch analog và mạch tín hiệu hỗn hợp. Nó không chỉ đơn thuần là một công cụ tối ưu hóa; với danh sách mạng, mẫu mạch và thông số kỹ thuật mục tiêu làm đầu vào, nó liên tục mô phỏng quá trình nhận thức ký sinh để hội tụ thành các sơ đồ và bố cục có thể sử dụng được.

Quy trình thiết kế chi tiết như sau:

1. Mẫu sơ đồ: Các nhà thiết kế tạo ra sơ đồ mạch điện phù hợp với thiết kế của BAG. BAG sẽ tạo ra thiết kế bằng cách sao chép và chỉnh sửa mẫu này.
2. Thông số: Các nhà thiết kế chọn các thông số cho thiết kế, chẳng hạn như kích thước bóng bán dẫn, dưới dạng các biến cần được xác định.
3. Trình tạo sơ đồ mạch: Các nhà thiết kế đã viết một trình tạo sơ đồ mạch sử dụng API Python của BAG. Trình tạo sơ đồ mạch này ngay lập tức chuyển đổi các mẫu thành các thể hiện mạch với nhiều tham số được tích hợp. Các nhà thiết kế cũng đã viết một trình tạo bố cục sử dụng hai công cụ bố cục độc lập với quy trình do BA cung cấp, được gọi là Xbase và Laygo. Điều này giúp tạo ra các bố cục DRC/LVS sạch sẽ và loại bỏ các ký sinh trùng.
4. Lập trình kịch bản thiết kế: Các nhà thiết kế viết kịch bản để thiết kế mạch điện. Quá trình này bao gồm các bước sau:
   
   1. Hãy tìm điểm xuất phát tốt để đưa ra những phỏng đoán có cơ sở về các thông số thiết kế.
   2. Xác định các thông số đo của mạch (ví dụ: độ khuếch đại và băng thông).
   3. Bằng cách đánh giá kết quả của trình tạo sơ đồ và bố cục BAG, nó tự động thiết lập một môi trường kiểm thử, thực hiện mô phỏng và tính toán hiệu năng mạch bằng cách sử dụng một danh sách kết nối riêng biệt.
   4. So sánh thông số kỹ thuật mạch với kết quả mô phỏng và tạo ra bộ thông số mới cho máy phát điện.
   5. Lặp lại tự động cho đến khi đạt được kết quả mong muốn.

Các nhà nghiên cứu đã tạo ra thiết kế hoàn chỉnh của bộ chuyển đổi tương tự sang số nội suy thời gian liên tục (SAR ADC) và mạch tiền khuếch đại thu phát SerDes trên quy trình TSMC 16nm, sau đó dễ dàng mô phỏng trên các nút quy trình khác từ cả TSMC và GlobalFoundries. Đọc bài báo gốc để biết thêm chi tiết.

Tự động

AutoCkt đưa BAG lên một tầm cao mới. Vấn đề của BAG là nó yêu cầu một điểm thiết kế ban đầu, sau đó tìm kiếm giải pháp tối ưu một cách lặp đi lặp lại. Điều này đặt ra hai thách thức:

1. Các phương pháp tối ưu hóa lấy mẫu khu vực ban đầu không phải lúc nào cũng hội tụ.
2. Nếu các thông số kỹ thuật thiết kế thay đổi, quá trình tối ưu hóa sẽ phải bắt đầu lại từ đầu.

Điều chúng ta cần là tiếp cận vấn đề như một nhà thiết kế con người, bằng cách hiểu một cách trực quan không gian thiết kế hiện có. Sau đó, chúng ta cần các thuật toán để học cách cân bằng giữa các yêu cầu khác nhau trong không gian thiết kế đó.

AutoCkt thực hiện điều này bằng các tác nhân học tăng cường (RL) sử dụng quy trình thử và sai giống như con người. Nếu có nhiều tham số cần tối ưu hóa trong thiết kế, sự kết hợp của tất cả các tham số này tạo thành vùng thiết kế. Mỗi tập hợp tham số tạo ra một kết quả mô phỏng, sau đó được so sánh với các thông số kỹ thuật mong muốn.

Quá trình học tăng cường bao gồm các bước sau:

1. Xây dựng đường đi: Bắt đầu với các thông số ban đầu được thiết lập ở trung tâm khu vực thiết kế và lặp lại cho đến khi kết quả mô phỏng đáp ứng các yêu cầu. Khi đó, quá trình xây dựng đường đi được coi là hoàn tất.
2. Huấn luyện tác nhân học tăng cường (RL Agent): Chọn ngẫu nhiên một vài yêu cầu mục tiêu (ví dụ: 50). Tạo các quỹ đạo cho mỗi yêu cầu này. Dựa trên mức độ phù hợp giữa kết quả cuối cùng và các yêu cầu, hãy chấm điểm cho mỗi quỹ đạo. Quá trình huấn luyện kết thúc khi tất cả 50 yêu cầu được đáp ứng theo điểm số của quỹ đạo.

Giờ đây, nếu bạn chỉ định các yêu cầu mới không có trong quá trình huấn luyện tác nhân RL, tác nhân RL sẽ biết đường dẫn tốt nhất phù hợp nhất với các yêu cầu bạn đã cung cấp. Việc biết được đường dẫn này có nghĩa là bạn đã có một điểm khởi đầu rất tốt cho quá trình thiết kế. Do đó, bạn sẽ cần thực hiện ít lần lặp hơn để có được bộ tham số thiết kế chính xác.

AutoCkt sử dụng BAG để tạo dữ liệu mô phỏng cho toàn bộ quá trình huấn luyện. Do đó, các yếu tố gây nhiễu từ bố cục đã được đưa vào không gian huấn luyện, và tập hợp các tham số cuối cùng từ tác nhân RL cung cấp các giá trị gần sát với kết quả cuối cùng.

Các tác giả của bài báo gốc đã chứng minh rằng AutoCkt yêu cầu số lần lặp ít hơn 10 lần so với các phương pháp tốt nhất hiện nay sử dụng sự kết hợp giữa thuật toán di truyền và máy học. Họ đã chỉ ra rằng họ có thể tạo ra thiết kế truyền dẫn 40-LVS cho hệ thống OTA hai giai đoạn với tải GM âm trong vòng chưa đầy ba ngày bằng CPU lõi đơn. Điều đó thật ấn tượng.

CĂN CHỈNH và PHÉP THUẬT

Cho đến nay, chúng ta đã nói về việc tạo bố cục mà không cần quan tâm đến cách sử dụng chúng. Không một nhà thiết kế thực thụ nào muốn một bố cục "phẳng" mà thiếu đi hệ thống phân cấp các khối cấu thành. Đó không phải là cách mà con người làm việc.

Giải pháp lập trình cho vấn đề này là ALIGN (Analog Layout, Smartly Generated from Netlists). Đây là một quy trình tạo bố cục tự động mã nguồn mở dành cho các mạch tương tự, chuyển đổi các netlist đầu vào thành bố cục GDSII đầu ra dành riêng cho một công nghệ nhất định, nhưng với các tính năng bổ sung.

ALIGN cố gắng tạo ra bố cục mạch tích hợp giống như con người. Điều này bao gồm việc xác định hệ thống phân cấp bố cục, xây dựng bố cục khối cơ bản, và sau đó lắp ráp chúng ở mỗi cấp độ của hệ thống phân cấp bố cục. Ví dụ, cấp độ thấp nhất của hệ thống phân cấp sẽ là các transistor riêng lẻ, được sử dụng để tạo ra các thành phần cơ bản như cặp dòng điện phản xạ và cặp vi sai, sau đó tạo thành các mô-đun như bộ khuếch đại chuyển đổi dẫn điện. Sử dụng các mô-đun này, các hệ thống như bộ thu phát RF được xây dựng.

Một dự án mã nguồn mở khác đang cố gắng tạo ra các bố cục mạch tương tự tự động là MAGICAL, được mô tả là "một hệ thống bố cục mạch tích hợp tương tự hoàn toàn tự động lấy cảm hứng từ trí tuệ con người", được tài trợ bởi chương trình DARPA IDEA.

Theo như tôi thấy, quy trình tổng thể tương tự như ALIGN. Nó sử dụng đầu vào netlist và tạo ra bố cục tối ưu với trọng tâm là xây dựng bố cục phân cấp. Sự khác biệt chính nằm ở việc MAGICAL xem xét các yêu cầu về tính đối xứng của mạch.

Ví dụ, MAGICAL tập trung vào việc đảm bảo sự căn chỉnh vi sai của các transistor bằng cách xác định các nguồn transistor được kết nối tạo ra điểm nối đất ảo dựa trên một quy trình gọi là "phát hiện mẫu hạt giống". Nó cũng đặt các linh kiện thụ động được ghép nối đúng cách. Trong bước cuối cùng, bố cục được xử lý tiếp theo để xác định các nguồn đối xứng bổ sung có thể đã bị bỏ sót trong các lần thử ban đầu, chẳng hạn như tính đối xứng của mạch phân cực, bằng cách tìm kiếm các transistor được kết nối với cổng hoặc các điốt chung.

Các ấn phẩm sử dụng cả hai công cụ này đều chứng minh rằng chúng có thể tạo ra các thiết kế có hiệu năng tương đương với các mạch do con người thiết kế.

Tóm lại.

Một công ty khởi nghiệp có tên Astrus , đặt trụ sở tại Toronto, Canada, do Brad Moon và Zeyi Wang đồng sáng lập, đang tìm cách phát triển thương mại các bố cục mạch analog, mới đây đã thông báo về vòng gọi vốn sơ bộ trị giá 2,4 triệu đô la. Moon cho biết việc phát triển bố cục mạch analog là một vấn đề cụ thể và có giá trị cao đối với 60.000 nhà thiết kế mạch analog trên toàn thế giới. Với nhu cầu ngày càng tăng đối với chip và sự thiếu hụt các kỹ sư mạch analog tay nghề cao, Astrus nhận thấy đây là một cơ hội trị giá hàng triệu đô la.

Những tiến bộ này rất đáng mừng, nhưng thiết kế máy móc sẽ không hoàn toàn thay thế các kỹ sư thiết kế mạch tương tự và mạch tín hiệu hỗn hợp. Điều sẽ thay đổi là cách chúng ta tiến hành công việc thiết kế. Thay vì tự tay đặt các linh kiện mạch và vẽ dây trên các công cụ vẽ sơ đồ mạch, trí tuệ nhân tạo sẽ cho phép chúng ta tự động loại bỏ các phần tẻ nhạt để chúng ta có thể tập trung vào các ý tưởng mạch tuyệt vời hơn.