通常，開發(fā)任何類型的硬件（包括芯片，作為電子設(shè)備大腦的微小電子元件），都是從用正常語言描述硬件應(yīng)該做什么開始的。然后，經(jīng)過專門訓(xùn)練的工程師將該描述翻譯成硬件描述語言（HDL），例如 Verilog，以創(chuàng)建允許硬件執(zhí)行其任務(wù)的實際電路元件。

自動化此翻譯可以減少工程過程中的人為錯誤來源。但是，直到最近，AI 才展示了基于機器的端到端設(shè)計翻譯的能力。一些大型語言模型（LLM），如 OpenAI 的 ChatGPT 和谷歌的 Bard，聲稱能夠生成各種編程語言的代碼；但它們在硬件設(shè)計中的應(yīng)用尚未得到廣泛研究。

近日，來自紐約大學(xué)和新南威爾士大學(xué)的研究團隊使用簡單的英語「對話」與 AI 模型制造了一個微處理芯片，這是一項史無前例的成就，可以加快芯片開發(fā)速度，并允許沒有專業(yè)技術(shù)技能的個人設(shè)計芯片。

研究團隊展示了兩名硬件工程師如何用標(biāo)準(zhǔn)英語與 ChatGPT-4「交談」，以設(shè)計一種新型微處理器架構(gòu)。然后，研究人員將設(shè)計送去制造。

在該研究中，LLM 能夠通過來回對話生成可行的 Verilog。隨后將基準(zhǔn)測試和處理器發(fā)送到 Skywater 130 納米穿梭機上進行流片（tapeout）。

研究共同作者 Hammond Pearce 說：「我們認(rèn)為這項研究產(chǎn)生了第一個完全由 AI 生成的 HDL，用于制造物理芯片。這項研究表明，AI 也可以使硬件制造受益，特別是當(dāng)它被用于對話時，你可以來回地完善設(shè)計?！?/p>

研究背景

隨著數(shù)字設(shè)計的能力和復(fù)雜性不斷增長，集成電路 (IC) 計算機輔助設(shè)計 (CAD) 中的軟件組件已在整個電子設(shè)計自動化流程中采用機器學(xué)習(xí) (ML)。傳統(tǒng)方法試圖對每個過程進行正式建模，而基于 ML 的方法則側(cè)重于識別和利用可概括的高級特征或模式——這意味著 ML 可以增強甚至取代某些工具。盡管如此，IC CAD 中的 ML 研究仍傾向于關(guān)注后端過程。

在此，研究團隊探索了將新興類型的 ML 模型應(yīng)用于硬件設(shè)計過程的早期階段時面臨的挑戰(zhàn)和機遇：硬件描述語言 (HDL) 本身的編寫。

雖然硬件設(shè)計以 HDL 表示，但它們實際上以自然語言（例如英語需求文檔）提供的規(guī)范開始設(shè)計 lifecycle。將這些轉(zhuǎn)換為適當(dāng)?shù)?HDL（例如 Verilog）的過程必須由硬件工程師完成，這既耗時又容易出錯。使用高級合成工具等替代途徑可以讓開發(fā)人員使用 C 語言等高級語言指定功能，但這些方法是以犧牲硬件效率為代價的。這激發(fā)了對 AI 或基于 ML 的工具的探索，將其作為將規(guī)范轉(zhuǎn)換為 HDL 的替代途徑。

最新的 LLM (如 OpenAI 的 ChatGPT 和 Google 的 Bard)為其功能提供了不同的「會話」聊天界面。

會話式 LLM 用于迭代設(shè)計硬件

受 LLM 發(fā)展的啟發(fā)，研究人員提出以下問題：將這些工具集成到 HDL 開發(fā)過程中有哪些潛在優(yōu)勢和障礙？

為了理解這項新興技術(shù)的重要性，進行像這樣的觀察性研究至關(guān)重要。對會話式 LLM 對硬件設(shè)計的影響的調(diào)查既相關(guān)又及時。

圖 1：會話式 LLM 能否用于迭代設(shè)計硬件？（來源：論文）

該研究的貢獻如下：

首次對對話式 LLM 在硬件設(shè)計中的使用進行了研究。

開發(fā)基準(zhǔn)以評估 LLM 在功能硬件開發(fā)和驗證方面的能力。

利用 ChatGPT-4，對硬件中復(fù)雜應(yīng)用程序的端到端協(xié)同設(shè)計進行觀察性研究。

首次使用 AI 為流片編寫完整的 HDL，實現(xiàn)了一個重要的里程碑。

為在硬件相關(guān)任務(wù)中有效利用尖端會話 LLM 提供實用建議。

研究人員進行了兩個對話實驗。第一個實驗涉及預(yù)定義的對話流程和一系列基準(zhǔn)挑戰(zhàn)，而第二個實驗需要一個開放式的「自由聊天」方法，LLM 在一個更大的項目中擔(dān)任聯(lián)合設(shè)計師。

從本質(zhì)上講，有無數(shù)種方法可以與對話模型「聊天」。為了探索使用會話式 LLM 實現(xiàn)「標(biāo)準(zhǔn)化」和「自動化」流程的潛力，研究人員定義了一個嚴(yán)格的「腳本化」對話基于一系列基準(zhǔn)。

然后，研究人員使用一致的指標(biāo)評估一系列 LLM，根據(jù)通過附帶測試平臺所需的指令水平確定對話的相對成功或失敗。然而，雖然對話流在結(jié)構(gòu)上保持相同，但它在測試運行之間固有地存在一些差異，這取決于評估者需要決定 (a) 每個步驟中需要什么反饋，以及 (b) 如何格式化人類反饋。

下圖詳細(xì)說明了與 LLM 對話以創(chuàng)建硬件基準(zhǔn)的一般流程。

圖 2：簡化的 LLM 對話流程圖。（來源：論文）

真實世界的硬件設(shè)計具有更廣泛和更復(fù)雜的要求?？紤]到以前使用的方法時，這是一個挑戰(zhàn)，該方法編寫并限制了人類與 LLM 交互的方式。然而，鑒于不同層次的人類反饋相對成功，研究人員試圖研究非結(jié)構(gòu)化對話是否可以帶來更高水平的表現(xiàn)和相互創(chuàng)造力。對此進行調(diào)查通常會通過大規(guī)模的用戶研究來完成，硬件工程師在開發(fā)過程中會與該工具配對。研究目標(biāo)是通過執(zhí)行概念驗證實驗來推動硬件領(lǐng)域的此類研究，將 ChatGPT-4 與經(jīng)驗豐富的硬件設(shè)計工程師（論文作者之一）配對， 并在執(zhí)行更復(fù)雜的設(shè)計任務(wù)時定性地檢查結(jié)果。

挑戰(zhàn)與機會

挑戰(zhàn)：雖然很明顯，使用對話式 LLM 來協(xié)助設(shè)計和實現(xiàn)硬件設(shè)備總體上是有益的，但該技術(shù)尚不能僅通過驗證工具的反饋來一致地設(shè)計硬件。當(dāng)前最先進的模型在理解和修復(fù)這些工具出現(xiàn)的錯誤方面表現(xiàn)不夠好，無法僅通過初始人機交互來創(chuàng)建完整的設(shè)計和測試平臺。

機會：盡管如此，當(dāng)人類反饋被提供給功能更強大的 ChatGPT-4 模型，或者用于協(xié)同設(shè)計時，語言模型似乎是一個「力量倍增器」，允許快速設(shè)計空間探索和迭代?？偟膩碚f，ChatGPT-4 可以生成功能正確的代碼，這可以在實現(xiàn)通用模塊時節(jié)省設(shè)計人員的時間。

未來可能的工作可能涉及更大規(guī)模的用戶研究以調(diào)查這種潛力，以及開發(fā)特定于硬件設(shè)計的會話式 LLM 以改進結(jié)果。

審核編輯：劉清