今年DAC上的一篇论文描述了NVIDIA如何与领先的EDA软件供应商Cadence Design Systems合作，在NVIDIA GPU上使用图形技术来渲染电路板设计。基于两家公司的此次合作，Cadence 于6月发布在Allegro X平台的交互操作性能提高了20倍。

Dally表示：“工程师们过去在每次编辑或平移图像后都要等待程序的响应，这种工作方式常常令人陷入无奈的窘境。但有了GPU之后，该流程就具有了真正的互动性。”Dally在2009年加入NVIDIA之前，曾担任斯坦福大学计算机科学系主任。

强化学习带来回报

本周的DAC会议上还介绍了一种名为NVCell的技术，该技术使用强化学习来自动执行芯片的基本组成部分——标准单元的布局设计工作。

通过此方法，这项通常需要10人团队花费数月才能完成的工作，就变成了一个只需数日就能完成的自动化流程。Dally表示：“这让工程团队能够集中精力攻克一些更为棘手、需要人工设计的单元。”

另一个强化学习的例子，是NVIDIA研究员将在DAC上介绍的一个名为PrefixRL的新工具。该工具可以发现加法器、编码器或自定义设计等电路的设计方法。

PrefixRL将设计流程视为一场游戏——追求为电路找到最小的面积和功耗。

通过AI优化流程，工程师们就能得到比目前工具更高效的设备。这个示例充分展示了AI如何完成人类无法做到的设计。

充分运用各种AI工具

NVIDIA与德克萨斯大学奥斯汀分校合作，开展了一个名为DREAMPlace的研究项目，该项目创新地使用了一个用于深度学习的常用软件框架——PyTorch。该项目对这一用于优化神经网络权重的框架进行了调整，以找到最佳位置，即能够在更大的芯片中放置一个含有1000万个单元的块（block）。

即使在CPU上使用当今最先进的技术，也需要近四个小时才能完成这项常规工作。而在数据中心或云服务中的NVIDIA Volta架构GPU上运行时，只需要短短5分钟，速度提高了43倍。

更快获得更清晰的图像

为制造芯片，工程师们需要使用光刻机，将设计投射到半导体晶圆上。而为了确保芯片的性能符合预期，他们必须面对一项重要挑战——精确模拟图像。

NVIDIA研究员创建了一个能够理解该光学流程的神经网络。与目前最先进的机器学习方法相比，该神经网络的晶圆图像模拟速度加快了80倍，并且精度更高，所使用的模型也小了20倍。

这是工程师结合加速计算和人工智能，更快地设计出更高性能芯片的又一个例子。

AI驱动未来

Dally表示：“NVIDIA使用了一些AI技术来设计现有的GPU，未来我们计划使用更多此类技术。”

“我预计，未来的标准EDA工具也将采用AI，让芯片设计师的工作更轻松，并打造出更高性能的芯片。”

与NVIDIA产品相关的图片或视频（完整或部分）的版权均归NVIDIA Corporation所有。