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(shí)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(jī)器的端到端設(shè)計(jì)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(jì)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(tuán)隊(duì)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(xiàng)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(jì)芯片。

研究團(tuán)隊(duì)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(jì)一種新型微處理器架構(gòu)。然后，研究人員將設(shè)計(jì)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(jī)上進(jìn)行流片（tapeout）。

研究共同作者 Hammond Pearce 說：「我們認(rèn)為這項(xiàng)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(xiàng)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(jì)。」

研究背景

隨著數(shù)字設(shè)計(jì)的能力和復(fù)雜性不斷增長，集成電路 (IC) 計(jì)算機(jī)輔助設(shè)計(jì) (CAD) 中的軟件組件已在整個電子設(shè)計(jì)自動化流程中采用機(jī)器學(xué)習(xí) (ML)。傳統(tǒng)方法試圖對每個過程進(jìn)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(qiáng)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(tuán)隊(duì)探索了將新興類型的 ML 模型應(yīng)用于硬件設(shè)計(jì)過程的早期階段時面臨的挑戰(zhàn)和機(jī)遇：硬件描述語言 (HDL) 本身的編寫。

雖然硬件設(shè)計(jì)以 HDL 表示，但它們實(shí)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(jì) 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(jì)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(xiàng)新興技術(shù)的重要性，進(jìn)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(jì)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(jì)硬件？（來源：論文）

該研究的貢獻(xiàn)如下：

首次對對話式 LLM 在硬件設(shè)計(jì)中的使用進(jìn)行了研究。

開發(fā)基準(zhǔn)以評估 LLM 在功能硬件開發(fā)和驗(yàn)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(jì)進(jìn)行觀察性研究。

首次使用 AI 為流片編寫完整的 HDL，實(shí)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(shí)用建議。

研究人員進(jìn)行了兩個對話實(shí)驗(yàn)。第一個實(shí)驗(yàn)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(shí)驗(yàn)需要一個開放式的「自由聊天」方法，LLM 在一個更大的項(xiàng)目中擔(dān)任聯(lián)合設(shè)計(jì)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(shí)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(yùn)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(shí)世界的硬件設(shè)計(jì)具有更廣泛和更復(fù)雜的要求。考慮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(jìn)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(yàn)證實(shí)驗(yàn)來推動硬件領(lǐng)域的此類研究，將 ChatGPT-4 與經(jīng)驗(yàn)豐富的硬件設(shè)計(jì)工程師（論文作者之一）配對， 并在執(zhí)行更復(fù)雜的設(shè)計(jì)任務(wù)時定性地檢查結(jié)果。

挑戰(zhàn)與機(jī)會

挑戰(zhàn)：雖然很明顯，使用對話式 LLM 來協(xié)助設(shè)計(jì)和實(shí)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(yàn)證工具的反饋來一致地設(shè)計(jì)硬件。當(dāng)前最先進(jìn)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(jī)交互來創(chuàng)建完整的設(shè)計(jì)和測試平臺。

機(jī)會：盡管如此，當(dāng)人類反饋被提供給功能更強(qiáng)大的 ChatGPT-4 模型，或者用于協(xié)同設(shè)計(jì)時，語言模型似乎是一個「力量倍增器」，允許快速設(shè)計(jì)空間探索和迭代。總的來說，ChatGPT-4 可以生成功能正確的代碼，這可以在實(shí)現(xiàn)通用模塊時節(jié)省設(shè)計(jì)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(jì)的會話式 LLM 以改進(jìn)結(jié)果。

審核編輯：劉清