芯片设计核弹级突破！物理AI提速百倍，2小时打趴数周！

物理世界的AI：模拟电路设计的新引擎

在当今科技飞速发展的时代，人工智能早已不再是遥远的科幻概念，而是深刻地融入了我们生活的方方面面。提到人工智能，许多人首先想到的是机器人、自动驾驶，或是那些能写文章、画画的大模型。它们确实是人工智能与物理世界交互的典型代表。然而，新媒网跨境了解到，物理AI的范畴远比我们想象的要宽广得多，它正悄然在更多领域展现出颠覆性的潜力，尤其是在那些以微分方程为基础进行分析的领域，比如我们芯片设计中至关重要的模拟电路。

模拟电路设计，作为电子系统的心脏，其复杂性与精密度决定了整个设备的性能。从智能手机、可穿戴设备到高性能服务器、电动汽车，模拟电路无处不在，默默地支撑着信号的传输、电源的管理以及各种传感器的精确运作。它的设计分析，离不开一套严谨的物理规律，这些规律最终都会通过一系列微分方程来表达。例如，我们熟知的SPICE仿真器，正是通过求解这些微分方程组，结合电路元件的特性以及特定的边界条件，来预测电路的行为。

然而，对于这类“硬核”的物理问题，当前备受瞩目的、以Transformer架构为核心的大语言模型（LLMs）似乎并非最佳选择。它们在处理语言、图像等非结构化数据方面表现卓越，但在深入理解和求解物理世界中那些严谨的微分方程时，却显得有些力不从心。这背后，是两种不同范式的数据结构和逻辑推理方式的差异。物理AI，尤其是针对模拟电路设计的物理中心机器学习方法，正是在这样的背景下应运而生，为我们打开了芯片设计优化的一扇新大门。

模拟电路中的机器学习：从“数据堆砌”到“原理深挖”

长期以来，在模拟电路设计中引入机器学习，最直观也是最常见的起点，就是通过大量的SPICE仿真来生成数据。这种方法可以理解为一种大规模的统计采样，通过在各种参数和边界条件下运行仿真，收集输出结果，然后将这些数据输入机器学习模型进行训练。蒙特卡洛分析便是这种方法的典型代表，它通过随机抽样来估计复杂的系统行为。

这种基于仿真数据采样的学习方法，确实能够帮助设计师在一定程度上预测电路行为，提高设计效率。但新媒网跨境认为，它也有着显著的局限性。首先，进行大量的SPICE仿真需要消耗惊人的时间和计算资源。即便是在高性能计算集群上，面对复杂的模拟电路，也可能需要数天甚至数周才能完成一次全面的特性评估。其次，为了节约资源，设计师往往会小心翼翼地减少采样点。然而，采样点减少的代价是，模型可能会“错过”样本点之间的潜在关键行为，导致对电路性能的预测出现偏差，甚至遗漏一些极端工况下的风险。这就像是在茫茫大海中寻找宝藏，如果只在几个点打捞，很难保证不遗漏珍贵的线索。

为了克服这些挑战，一些研究者开始尝试将SPICE背后的核心算法——牛顿（-拉夫森）迭代法，直接融入到机器学习的训练过程中。牛顿法是求解非线性方程组的“黄金标准”，在电路仿真中表现出色。通过将其嵌入到基于梯度的优化训练中，机器学习模型可以更精确地理解电路的内在物理机制。这种方法允许在训练过程中进行自动化的细化，从而在一定程度上弥补了纯粹统计采样的不足。当然，对于与最终签核（Sign-off）SPICE仿真结果的关联性，必要时仍然需要进行交叉验证以确保准确性。

然而，牛顿法的迭代特性，虽然精确，但如果缺乏有效的加速手段，可能会极大地拖慢学习过程。我们知道，大语言模型的崛起，很大程度上得益于并行计算技术的突破。那么，同样的并行化思路能否应用于模拟电路的机器学习呢？遗憾的是，模拟电路方程固有的非线性特性，使得在实际电路中有效利用并行计算成为一大难题。电路中的各个节点和元件之间存在复杂的非线性耦合，简单地并行处理往往难以收敛，或者结果不准确。这就像一支乐队，每个乐手都想自己单独演奏，但没有指挥和协作，就无法奏出和谐的乐章。

不过，最新的研究进展令人鼓舞。有研究团队提出了一种全新的算法，使得嵌入电路仿真的机器学习模型能够更充分地利用GPU等硬件平台的并行计算能力。这项突破意味着，模拟电路的复杂计算不再是并行化的“禁区”，有望像数字芯片设计一样，迎来并行计算带来的效率革命。

深度物理建模：触及本质的智能跃迁

新媒网跨境获悉，从表面上看，将电路求解器嵌入到机器学习算法中，似乎与外部运行仿真然后学习结果没有太大区别。这似乎仍然是一种统计采样，只是包装方式不同。然而，一家名为Mach42.ai的公司，凭借其独有的“Discovery Platform”平台，声称能够实现更高的精度、稳定性和预测能力。经过深入了解，我们有充分的理由相信他们的这一说法。

Mach42公司的联合创始人兼首席技术官布雷特·拉德先生（Brett Larder）曾透露了他们的两大核心秘密，这些创新正是他们平台能脱颖而出的关键所在。

其一，他们致力于在机器学习训练过程中实现“连续时间建模”。与大多数数字方法将时间离散化处理不同，Mach42.ai观察到，传统方法预测的结果常常噪声大、不规则，甚至不够准确。他们的算法独辟蹊径，允许每个训练点包含在不同时间点进行测量的结果，而不是强制要求每个输入/输出的索引都对应同一时间点。这意味着，训练数据是“跨越时间轴”分布的，而不是“挤压”在离散的时间步长内。想象一下，如果医生只在固定的几个时间点检查病人的脉搏，可能会错过病情的细微变化；而如果能连续监测，就能更全面地了解病情。这种连续时间建模的方式，无疑能够让模型更精细地捕捉到模拟电路在时间维度上的动态变化，从而实现更准确的学习和预测。

其二，也是更具颠覆性的一点，Mach42.ai的目标是“学习描述电路的微分方程参数”，而不是仅仅学习输入到输出结果的粗略统计采样。这一点非常引人深思。传统的机器学习方法在很多情况下，更像是学习一个复杂的插值函数，试图在已有的数据点之间找到规律。而Mach42.ai的做法，则是深入到问题的物理本质，直接去理解和学习那些支配电路行为的基本物理定律（即微分方程）的参数。这就像不是简单地记住一堆数学公式的计算结果，而是去理解和掌握公式本身是如何推导出来的。

这种“深入本质”的学习方式，带来的好处是显而易见的。它使得模型对不同物理条件下的变化更具鲁棒性。当电路的工作环境、负载条件等发生变化时，基于物理原理学习的模型能够更好地泛化和适应，而不是仅仅停留在统计层面的表面现象。这才是真正意义上的“深度物理建模”，它让机器学习从“知其然”迈向了“知其所以然”。

更令人惊喜的是，这项革新性的算法同样可以并行化，并在GPU上高效运行。这意味着训练时间得到了大幅缩短：过去可能需要数小时甚至数天的复杂仿真和建模，现在，针对像SerDes这样的高速串行接口，只需大约2小时；而对于复杂的汽车PMIC（电源管理集成电路），也仅需约20小时，并且精度能达到90%甚至更高。这些通过训练得到的模型，可以直接嵌入到SPICE或Verilog-A仿真中，其运行速度比传统的AMS（模拟与混合信号）仿真快了数个数量级。这种效率的提升，无疑将极大地加速模拟芯片的研发周期，降低设计成本，让更多创新想法得以快速实现。

落地应用：LDO的“智”变与未来展望

物理中心机器学习方法带来的变革，已经开始在实际应用中展现出强大的力量。以LDO（低压差线性稳压器）为例，它广泛应用于智能手机、服务器等各类设备中，为不同的电压轨提供稳定的电源。然而，LDO的设计面临着一个核心挑战：随着电流消耗和其他工作条件的变化，其从输入到输出的传输函数会发生漂移。由于LDO的首要目标是提供稳定的输出电压，因此，如何在各种工况下有效补偿这些漂移，是LDO设计中的一个重大难题。

传统的LDO特性分析方法，通常需要对电路参数进行大量扫描仿真，以评估补偿机制在各种负载和工作条件下的表现。这些扫描仿真不仅耗时耗力，而且在扫描步长之间，仍可能遗漏潜在的问题点。试想，如果扫描步长过大，两个仿真点之间隐藏的某个极端工况就可能被忽略，从而导致产品在实际使用中出现意想不到的故障。

新媒网跨境了解到，相形之下，Mach42.ai的Discovery Platform平台所创建的这种“学习型动态模型”，能够更准确地估算LDO在整个操作范围内的行为。这意味着，模型能够更细致地捕捉到电路的动态特性，从而大大提高了异常情况的检测概率。更令人激动的是，借助这些快速的动态模型，设计师可以实时地观察到参数变化对电路行为的影响。这种实时反馈的能力，无疑将极大提升LDO的设计迭代效率和优化水平。

这不仅仅是技术上的进步，更是设计理念上的一次飞跃——它标志着我们正从单纯的基于Transformer的统计学习，转向真正基于物理原理的深度学习。

展望未来，物理中心机器学习将为整个半导体行业带来深远影响。它不仅能够加速模拟芯片的设计，还将推动更复杂、更高效、更可靠的系统级芯片（SoC）的开发。随着人工智能、物联网、5G通信以及电动汽车等新兴技术的蓬勃发展，对高性能模拟电路的需求只会与日俱增。这种新型的学习范式，将赋能工程师们在更短的时间内，以更高的精度，设计出满足未来应用需求的创新芯片。这无疑是智能芯片设计领域的一个新篇章，预示着一个更加高效、智能的“芯”时代正加速到来。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/chip-design-ai-bombshell-2-hrs-crush-weeks.html