ICCAD 2024：人工智能浪潮下，Cadence 如何打破 AI 芯片的设计桎梏？
生成式 AI 引领智能革命成为产业升级的核心动力并点燃了“百模大战”。多样化的大模型应用激增对高性能AI 芯片的需求，促使行业在摩尔定律放缓的背景下，加速推进 2.5D、3D 及 3.5D 异构集成技术。与此同时，AI 的驱动作用正在助力 EDA 和半导体产业实现颠覆性的变革。
3D-IC —— 打破 AI 芯片的设计桎梏
3D-IC —— 打破 AI 芯片的设计桎梏
生成式 AI 推动了大模型应用的蓬勃发展，这一浪潮已蔓延至 EDA 领域，Cadence 推出全面的“芯片到系统” AI 驱动的 EDA 工具平台 Cadence JedAI Platform 正是在 AI 大模型的推动下应运而生的工具。通过 JedAI 这个统一的数据平台，可以有效地进行数据存储、分类、压缩和管理，推动 EDA 工具和设计流程的自我学习优化，从而实现生产力的极大提升以及功耗、性能和面积（PPA）的进一步优化。
李玉童在演讲中介绍，JedAI 平台采用分层的大型语言模型（LLM）训练架构，包含四个层级。最底层是开源基础模型，由第三方利用公共数据进行训练。在此基础上，Cadence 利用专有数据训练出专属模型，以更好地满足芯片设计客户的需求。客户可以在 Cadence 模型的基础上，使用自身的数据进行进一步训练，从而生成私有模型。最顶层是用户界面，允许用户通过自然语言输入各种请求，与 Cadence JedAI 大型语言模型进行交互，以获得所需的专业解答。诸如此类的大模型应用中，AI 芯片成为支撑引擎，为大模型应用提供强有力的支持。而大模型应用的繁盛，让 AI 芯片的发展来到了一个新高度。
不难看出，LLM 的参数量指数级增长对与处理器匹配的内存系统提出了更高的要求，AI 存储要求更大容量、更大带宽、更低功耗，从而使得 AI 芯片的设计面临前所未有的挑战。
HBM 是此前克服“内存墙”（Memory Walls）的主要解决方案，其强大的 I/O 并行化能力，使 HBM 成为 Al 系统中用于训练和推理的高规格存储设备，且已经成为大部分高端数据中心 GPU 和 SoC 的标配。当下业内正在开发的 DRAM-on-Logic 堆叠方案，有望将 AI 芯片带宽进一步提升至 32TB/s，使得 AI 大模型应用响应速度进一步加快，更接近人类直接交流。然而，3D 堆叠技术虽然能解决 AI 芯片内存墙的问题，却也需要面对从 2D 到 3D 芯片设计方法转变的挑战。
李玉童详细介绍了封装级 3D-IC 和晶圆级 3D-IC（3D-SoIC/X-Cube）、同构与异构 3D-IC 等 3D-IC 路线图和挑战。如果将多个 2.5D、3D 封装的芯片堆叠到同一个系统级芯片封装中，就得到了所谓的 3.5D-IC。从 2.5D 到 3D-IC 乃至 3.5D-IC，对于 AI 芯片而言，无论是带宽，还是处理单位数据的能效比所带来的优势都是无与伦比的。同时，因为芯片堆叠产生了与堆叠的不同组件和整个系统相关的新复杂性，该技术也在三维芯片架构和系统规划，不同层间的键合策略选择，传输层和运算层的 Bump 对齐、时钟树协同优化，以及系统层次的 STA、IR-Drop、Thermal、LVS 等方面带来新的挑战。
李玉童强调，随着摩尔定律逐渐失效，晶圆级 3D-IC 已成为行业的焦点，3D-IC 的先进性将极大地丰富系统公司从系统方面提升芯片性能的手段。Cadence 自 2018 年起就专注于各种类型的同构异构集成技术，成为业内首个推出从芯片到系统完整解决方案的 EDA 公司，并推出了业界首个高性能高集成度的 Cadence® Integrity™ 3D-IC Platform 平台。
该平台整合了系统规划、封装和设计流程早中后期系统级分析功能，可提供芯片上（on-chip）以及芯片外（off-chip）的跨芯片的时序分析、供电网络规划、IR 和热分析以及不依赖第三方规则文件的系统级 LVS/DRC 物理验证，帮助系统设计师从 3D-IC 项目初期规划、分析三维芯片系统的堆叠方案选择（2.5D/3D, Face2Face / Face2Back / Back2Back），并利用多物理场系统分析技术，基于不同阶段项目参考库文件和网表从零到 100% 的不同完成度，探索、分析、迭代及决策 3D-IC 最佳系统架构。
这将帮助 3D-IC 设计实现团队有充裕的三维物理时序功耗设计裕量进行跨芯片并行数字后端实现，并无缝调用 Cadence 的 Virtuoso® 和 Allegro® 模拟和封装实现平台进行协同设计。
最后，李玉童分别通过以客户同构设计、异构设计芯片的流片项目为例，详细阐述了在一个完整的设计流程内如何通过该平台来进行热分析、功耗分析、裸片间静态时序分析和物理验证，优化系统性能。他强调，3D-IC 技术的发展将为高带宽 AI 芯片的性能提升带来革命性的变化，Cadence 将通过不断创新和优化其设计平台，致力于帮助客户克服技术挑战，实现更高的产品性能和市场竞争力。
基于标准的协议
对未来人工智能工作负载至关重要
基于标准的协议
对未来人工智能工作负载至关重要
在分论坛上，李志勇首先分析了 AI 时代的市场趋势和关键驱动因素，以及生成式 AI 对半导体行业的重大影响。在不同的 AI 应用中，对处理器和 SoC 的需求各不相同，不同的工作负载需要不同的系统构成。李志勇指出，无论是推理、训练、数据挖掘或图形分析，异构应用都需要非常独特的解决方案才能优化实施。这些技术使用不同的系统架构和资源，在 HPC/AI 领域并不存在一种适合所有情况的最佳系统架构。也正是因此，面对不同 AI 应用需求的各类 AI 处理器和 SoC 架构将面临前所未有的设计挑战。
首先，数据传输设计是关键，通用设计的复用将带来增量性能和成本方面的优势，包括计算、内存和 I/O 等。其次，标准接口是设计的关键组成部分。当前市场上的各类主流及创新架构均大量使用了各种标准接口，HPC、AI/ML 和云对各类 IP 的需求正在不断增加。最后，随着摩尔定律来到极限，以 UCIe 和其他形式实现的 D2D 接口的封装和标准化方面的进步使分解和基于芯粒的设计正在成为现实。
在高速串行接口方面，Cadence 是唯一一家拥有 8 通道 Gen6 控制器和 PHY 测试芯片的 IP 提供商，同时，Cadence 在 PCIe 7 也将保持领先，Gen7 已经向客户演示了 demo，并有望在 2027 年满足市场需求。
在高速以太网方面，Cadence 的解决方案包括业界领先的 224G/112G/56G 物理层 IP 和控制器 IP，可支持高达 800G/1.6T 的子系统，还展现出卓越的硅性能，在 Cadence 测试芯片和客户生产芯片中均已得到验证。
与此同时，随着 Chiplet 成为后摩尔时代的共识，D2D 接口 IP 需求迅速增加。Cadence 已推出使用 UCIe 标准接口实现处理器、系统 IP 和内存 IP 的高效集成解决方案，可满足高性能计算、汽车和数据中心行业不断变化的需求，并帮助客户克服设计挑战并加快产品上市时间。
