Laporan untuk Lokakarya NSF tentang AI untuk Otomasi Desain Elektronik

Ringkasan IMRAD yang disarikan dari Lokakarya NSF tentang AI untuk EDA (10 Desember 2024, Vancouver, NeurIPS 2024)

Deming Chen; Vijay Ganesh; Weikai Li; Y. Lin; Yong Liu; Subhasish Mitra; David Z. Pan; Ruchir Puri; Jason Cong; Yizhou Sun· IEEE Circuits and Systems Magazine· 2026· DOI 10.1109/MCAS.2026.3662307

Masalah inti

Lokakarya NSF tentang AI untuk Otomasi Desain Elektronik (EDA) digelar pada 10 Desember 2024 di Vancouver, bersamaan dengan NeurIPS 2024. Lokakarya ini mempertemukan para ahli di bidang machine learning dan EDA untuk mengkaji bagaimana AI—mencakup large language model (LLM), graph neural network (GNN), reinforcement learning (RL), metode neurosimbolik, dan lainnya—dapat memfasilitasi EDA dan mempersingkat waktu penyelesaian desain. Lokakarya ini disusun dalam empat tema: (1) AI untuk sintesis fisik dan design for manufacturing (DFM), membahas tantangan dalam proses manufaktur fisik dan potensi penerapan AI; (2) AI untuk sintesis tingkat tinggi dan tingkat logika (HLS/LLS), mencakup penyisipan pragma, transformasi program, pembuatan kode RTL, dan lain-lain; (3) kotak perkakas AI untuk optimasi dan desain, membahas perkembangan AI mutakhir yang berpotensi diterapkan pada tugas EDA; dan (4) AI untuk pengujian dan verifikasi, termasuk alat verifikasi berbantuan LLM, penyelesaian SAT yang diperkuat ML, tantangan keamanan/reliabilitas, dan lain-lain. Laporan ini merekomendasikan NSF untuk mendorong kolaborasi AI/EDA, berinvestasi pada AI dasar untuk EDA, mengembangkan infrastruktur data

Inovasi

Lokakarya ini menghasilkan serangkaian rekomendasi yang dapat ditindaklanjuti bagi NSF dan komunitas yang lebih luas. Hasil utamanya meliputi: (1) mendorong kolaborasi AI/EDA di lingkungan akademik dan industri; (2) berinvestasi pada AI dasar untuk EDA, termasuk LLM, GNN, RL, dan metode neurosimbolik; (3) mengembangkan infrastruktur data yang tangguh untuk mendukung pelatihan dan benchmarking; (4) mendorong infrastruktur komputasi yang skalabel untuk memungkinkan desain berskala besar yang digerakkan AI; dan (5) berinvestasi pada pengembangan tenaga kerja untuk mendemokratisasi desain perangkat keras dan mewujudkan sistem perangkat keras generasi berikutnya. Keempat tema menghasilkan wawasan spesifik: AI untuk sintesis fisik dan DFM dapat mengatasi tantangan proses manufaktur; AI untuk HLS/LLS dapat mengotomatiskan penyisipan pragma, transformasi program, dan pembuatan RTL; kotak perkakas AI mutakhir dapat diadaptasi untuk optimasi dan desain; serta AI untuk pengujian dan verifikasi dapat meningkatkan verifikasi berbantuan LLM, penyelesaian SAT yang diperkuat ML, dan keamanan/reliabilitas. Hasil-hasil ini bersifat kualitatif dan strategis, dimaksudkan untuk memandu prioritas peneli

Lokakarya NSF tentang AI untuk Otomasi Desain Elektronik (EDA) digelar pada 10 Desember 2024 di Vancouver, bersamaan dengan NeurIPS 2024. Lokakarya ini mempertemukan para ahli di bidang machine learning dan EDA untuk mengkaji bagaimana AI—mencakup large language model (LLM), graph neural network (GNN), reinforcement learning (RL), metode neurosimbolik, dan lainnya—dapat memfasilitasi EDA dan mempersingkat waktu penyelesaian desain. Lokakarya ini disusun dalam empat tema: (1) AI untuk sintesis fisik dan design for manufacturing (DFM), membahas tantangan dalam proses manufaktur fisik dan potensi penerapan AI; (2) AI untuk sintesis tingkat tinggi dan tingkat logika (HLS/LLS), mencakup penyisipan pragma, transformasi program, pembuatan kode RTL, dan lain-lain; (3) kotak perkakas AI untuk optimasi dan desain, membahas perkembangan AI mutakhir yang berpotensi diterapkan pada tugas EDA; dan (4) AI untuk pengujian dan verifikasi, termasuk alat verifikasi berbantuan LLM, penyelesaian SAT yang diperkuat ML, tantangan keamanan/reliabilitas, dan lain-lain. Laporan ini merekomendasikan NSF untuk mendorong kolaborasi AI/EDA, berinvestasi pada AI dasar untuk EDA, mengembangkan infrastruktur data yang tangguh, mendorong infrastruktur komputasi yang skalabel, serta berinvestasi pada pengembangan tenaga kerja untuk mendemokratisasi desain perangkat keras dan mewujudkan sistem perangkat keras generasi berikutnya. Informasi lokakarya tersedia di https://ai4eda-workshop.github.io/.

Lokakarya ini menggunakan format panel ahli terstruktur dalam empat jalur tematik, masing-masing menyasar tahap kritis dalam alur EDA. Tema 1 membahas sintesis fisik dan DFM, tempat AI dapat mengoptimalkan tata letak, penempatan, perutean, dan hasil manufaktur. Tema 2 berfokus pada HLS/LLS, mengeksplorasi penyisipan pragma, transformasi program, dan pembuatan kode RTL yang digerakkan AI untuk menaikkan tingkat abstraksi dan mengurangi upaya manual. Tema 3 meninjau perkembangan AI mutakhir—seperti LLM, GNN, RL, dan penalaran neurosimbolik—yang dapat diadaptasi untuk tugas optimasi dan desain EDA. Tema 4 mengkaji pengujian dan verifikasi, termasuk alat verifikasi berbantuan LLM, penyelesaian SAT yang diperkuat ML, serta tantangan keamanan/reliabilitas. Diskusi disarikan menjadi rekomendasi untuk NSF, dengan menekankan kolaborasi, AI dasar untuk EDA, infrastruktur data, komputasi skalabel, dan pengembangan tenaga kerja. Situs web lokakarya (https://ai4eda-workshop.github.io/) berfungsi sebagai repositori publik materi. Metodologinya bersifat kualitatif dan berbasis konsensus, menyintesis masukan para ahli alih-alih melaporkan hasil eksperimen baru.

Mengapa penting

Lokakarya ini menegaskan pergeseran paradigma: AI bukan sekadar alat untuk EDA, melainkan kekuatan transformatif yang dapat mempersingkat waktu penyelesaian desain dan mendemokratisasi desain perangkat keras. Keempat tema tersebut memetakan alur EDA yang tipikal, yang menunjukkan agenda yang koheren untuk integrasi AI. Namun, tantangan masih ada: kelangkaan dan kualitas data, kebutuhan akan komputasi yang skalabel, serta kesenjangan antara penelitian AI dan praktik EDA. Rekomendasi-rekomendasi tersebut menyerukan NSF untuk menjembatani kesenjangan ini melalui pendanaan yang tertarget, infrastruktur, dan program tenaga kerja. Penekanan pada metode neurosimbolik dan penyelesaian SAT yang diperkuat ML menyoroti pentingnya menggabungkan pembelajaran dengan penalaran formal. Keamanan dan reliabilitas merupakan perhatian lintas sektor, terutama ketika desain yang dihasilkan AI semakin lazim. Pendekatan berbasis konsensus dalam lokakarya ini menyediakan peta jalan, tetapi implementasinya akan memerlukan kolaborasi yang berkelanjutan. Dampak potensialnya mencakup waktu ke pasar yang lebih cepat, biaya desain yang lebih rendah, dan akses yang lebih luas ke perangkat keras kustom, sejalan dengan prioritas nasional di bidang semikonduktor dan AI.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…