驱动人工智能设计：下一次大创新会出现在哪儿？

作者：Buvna Ayyagari-Sangamalli

应用材料公司设计技术负责人

“大创新”可以大幅推进性能、功耗、和面积-成本（PPAC）指标的发展，现今的人工智能和机器学习（ML）时代对“大创新”的需求增长速度前所未有。人工智能需要新的架构来处理数据。这些工作负载还需要强调不同PPAC的异构计算集成方案。 

1  新的挑战

公众都普遍认为，人工智能是我们一生中最激动人心的变革之一。虽然许多创新举措有助于解决PC和移动时代的挑战，但人工智能也正在以前所未有的方式挑战整个设计生态系统——从材料到系统。 

与此同时，几乎线性的登纳德缩放定律（*Dennard Scaling 登纳德缩放定律：指随着晶体管的体积逐步降低，其功率密度则保持不变。了解更多请访问 https://en.wikipedia.org/wiki/Dennard_scaling）*和摩尔定律的性能优势已经放缓。新技术节点的两年周期已经不复存在。另外，除了少数芯片制造商之外，对于更新技术节点的投入和产出比让绝大多数芯片厂商都望而却步。即便如此，人工智能（AI）、机器学习（Machine Learning）和深度学习（Deep Learning）仍在迅速向前发展。 

所以在这里，我所关注的并不是摩尔定律的放缓，而是关注如何通过创新继续满足新的运算需求。和以前一样，当处于看似不可能的十字路口时，创新总能转危为安。例如，当栅极氧化物厚度成为扩展的阻碍时，高k金属栅极技术便应运而生。又比如，当成像技术或光刻撞墙时，双重和四重成像技术和EUV便变成为了现实。  

今天，在设计和架构方面，创新继续以更快、更有效的方式进行处理、移动和存储数据。EDA和IP技术已取得突飞猛进的发展。EDA工具设法为更大、更快、更节能的设计制定日益复杂的设计规则。无工厂公司外包了更大规模和更多数量的IP块，也导致IP的增长速度日益惊人。IP厂商得以继续以更快更新的技术节点速度为更新更好的版本协议规范提供硅验证IP。 

但问题是：这些在架构、设计、EDA、IP、技术和异构集成方案方面的单项进步是否足以满足人工智能所需的新的运算要求？此外，他们又是否足以应对不断增加的新设计的要求和挑战？为适应新工作负载的需求速度，是否要加速创新？有没有可能进行下一个更大规模变化的根本性重大发明？如果答案是肯定的，那我们又应该从哪里开始？

不管我们如何达成这一目标，我始终坚信以下几点：

·         材料工程和材料集成的创新是解决方案的重要组成部分

·         架构、设计、EDA、IP、技术和异构集成方案的创新必须继续迅速地发展

·         解决方案最重要的部分是贯穿下图中所列层的加速联结  

2  用新型材料迎接挑战

先进的技术节点需要以集成材料解决方案支持的新型材料。例如，因所需衬垫、阻挡层和粘合层的总厚度等原因，用于触点和下部互连的现有材料难以扩展，使得晶体管性能在foundry 7nm及以下技术节点方面遭遇了瓶颈。先进节点以及RRAM和MRAM等新存储器均需要新的材料和材料集成方案。

EDA挑战仍然存在，因此需要准备好最新技术的设计工具、参考流程和IP。随着芯片功能复杂性的增加，无工厂公司正在使用更大的IP块。然而，考虑到更新节点设计成本的不断攀升，许多公司会选择设计更成熟的节点。IP提供商有责任在新旧节点处对功能丰富的IP进行验证和鉴定。使用3D封装和多芯片模块（MCM）的异构集成方案有望应用于不同方面，为逻辑和内存提供多样化的解决方案。 

然而，这些进步不是开启人工智能设计的单一杠杆。相反，关键点在于从材料到系统更快更好的联结（见下图）。

图：从材料到系统更快更好的联结

设计技术协同优化（或DTCO）的概念已提出多年。现在不同的是，需要更快的学习周期来集成新材料以获得所需的PPAC，或者使新存储器（如RRAM或MRAM）的末端结构成为可能。这需要贯穿不同模拟层的更佳连通性、更快材料筛选以及概念模拟验证层与物理验证层之间的严密校正。

3  总结

总的来说，没有任何方式能够单独解锁生态系统中的生产力增益，从而开启人工智能设计。相反，只有新材料、器件和存储器创新的结合才能做到这一点。但最重要的是，它需要贯穿整个过程，从材料到系统加速联结。