如何利用芯片数据提高生产力？

半导体生态系统正争先恐后地更有效地使用数据，以提高设计团队的生产力、提高晶圆厂的产量，并最终提高现场系统的可靠性。

数据收集、分析和利用是所有这些工作以及更多工作的核心。可以在从设计到制造流程中的每个点收集数据并进入现场，并且可以将其循环回当前和未来的设计中以防止代价高昂的故障，或者向前推进以防止软件和硬件之间不必要的交互。

「当我们查看现场数据以及新代工厂/晶圆厂启动过程中发生的事情时，我们已经看到他们如何在每个芯片上创建大量数据以确定如何提高产量」， Cadence 数字与签核集团产品管理副总裁 Kam Kittrell 说。「这一直是一个大数据问题，其中涉及很多深奥的事情——如何提高产量和可制造性设计。它正在获取大数据，对其进行分析，研究如何调整正在发生的事情，以便在未来获得更好的收益。这正是流程节点开发。但现在它向下游走得越来越远，因为我们希望能够进行系统级测试，因为超大规模公司正在将非常复杂的云系统与数千台计算机放在一起，并使用这些完全相同的计算机构建数千个站点。」

让系统、软件和硬件的组合协同工作是一个巨大的挑战，从测试芯片收集现场数据并将其反馈到设计到制造流程中可以显著提高生产芯片和系统的产量。「如果他们了解了有关芯片的一些信息，他们就可以在下游进行测试，看看是否会立即出现故障，」Kittrell 说。「你不想在云中处理客户的有效载荷，然后看到它失败了，然后你发现了一些你可以从芯片测试中知道的东西。」

其他人同意。「这里正在发生的大趋势是产品的复杂性，」是德科技新市场高级经理兼数字孪生项目经理 Chris Mueth 说。「这是最大的驱动力。你可以说有一些监管标准和小型化正在进行，但这实际上都是关于复杂性的，而且它只会变得越来越糟，因为消费者想要更多的功能在他们的手中。开发人员将继续向产品中添加越来越多的功能。」

想想 15 年前的 2.5G 移动芯片。「手机中的 PA 芯片可能有 100 项要求，」Mueth 说。「现在它是一款多功能 5G 芯片，可以满足 2000 项要求。它可能有多个波段。它必须在多种电压下以多种工作模式运行，并且所有这些都必须进行管理和验证。我们听说过芯片制造商错过验证需求的故事，只有在它已经在手机芯片中时才发现它。」

而这只是故事的一部分。所有这些都需要在可能影响整个系统的变化的背景下进行查看，因此需要端到端地收集和分析数据。

英飞凌软件和生态系统副总裁 Rob Conant 表示：如果你是一家生产联网设备的传统公司，你会进行用户研究和焦点小组讨论的连接安全系统业务部门。「你用它来告知你未来的产品方向。在物联网领域，他们真的没有全心全意地进入那个模型。这是对这些产品的事后补充。但是，其他产品的构建以连接性为核心。家庭安全系统就是一个很好的例子。它有一个非常具体的价值主张和一个非常具体的客户，一个有形的客户可交付成果。连通性是该可交付成果的核心。对于提供这些服务和解决方案的公司而言，重要的不是包装在他们相机上的吸引力。这是关于他们能够以多经济和多有意义的方式提供特定的客户价值，因此他们更加积极地使用数据来了解他们的产品如何运作，他们的客户如何使用这些产品，以及这些产品如何与客户价值联系起来。这种客户成功的想法在某种程度上存在于消费类硬件中。如果你把它深入到半导体公司本身，这个想法就会渗透到像 Infineon 和其他公司这样的较低级别的组件供应商中，但它并不是本地的。它是我们销售产品的附加组件。」

更好的自动化

有效地利用数据可以为设计团队带来丰厚的回报。设计复杂性增加与人才短缺之间的鸿沟越来越大，而数据是缩小这一差距的重要因素。

「任何 EDA 公司都会在设计和测试上花费大量时间，但由于正在发生的大趋势，数据管理领域出现了一个新兴领域来处理如何管理所有需求，」Mueth 说。「我怎么知道这些要求是否得到满足？模拟或测试设备以确保其满足要求的标准是什么？你有需求管理本身吗？我如何知道芯片中的 IP 在我制造时是正确的 IP？我使用的工具和版本的可追溯性如何？当您进行验证时，所有这些都很重要。正如你想象的那样，我正在那里处理大量的数据。」

反过来，这些数据可用于改进仿真和验证，并可缩短调试过程。

「在仿真领域，工程团队正在执行三项主要任务，」 Imperas 首席执行官 Simon Davidmann 说。「一个是构建可以运行的软件。他们试图启动并运行软件，并拥有他们想要了解的某些数据。二是另一个极端，工程师们正在围绕 RISC-V 进行验证。然后是另一群正在寻求提高性能的人。所有这些人都需要不同类型的数据。」

但是工程团队需要了解他们收集数据的目的以及他们需要什么类型的数据。

「这是'什么'和'为什么'。「怎么做」对于我们工程师来说显然是必需的，因为例如在我们的建模方面，我们是速度很快，」Davidmann 说。「我们不想在模型中加入任何会减慢我们速度的东西。如果你想开始分析模型中发生的事情，它会减慢它的速度。所以我们非常关心人们想要什么数据，因为它会对性能产生影响。然后，当一个工程团队想要添加数据分析时，从我们的角度来看，有几种类型的数据是有用的。首先，他们必须确定他们想要将其用于什么用途以及他们想要的粒度。有些人正在尝试调整软件并需要非常具体的数据，例如逐周期数据。或者，如果有人试图验证某事，他们将需要与硬件事件等相关的完全不同的数据。一旦他们获得了数据，就会有不同的抽象。例如，如果我们正在帮助工程团队移植 Linux，他们不想查看 RTL 中的事件。他们甚至不想查看寄存器值。他们想看函数的抽象。或者，他们想查看操作系统中作业调度程序的抽象。这就是所有可以收集的数据。然后，他们可以对其进行分析，看看它的性能如何，或者他们探索了操作系统的哪些部分。」

确保设备满足要求是一项巨大的挑战，这就是为什么估计有三分之二（或更多）的芯片开发用于验证。「这里的压力有很多不同的方式，」Mueth 说。「其中一部分只是定义我需要的需求，并定义如何模拟或测试这些需求。然后，需要流程定义以及自动化构建，因为您可能不会手动完成所有这些工作。您想以自动化方式进行。然后你必须确定如何收集数据、减少数据并理解数据。」

更有效地利用数据

数据可能会因任务配置文件的不同而有很大差异，这对于汽车芯片而言与 5G 电话芯片大不相同，并且它可能会根据其在流程中的使用方式和位置而有所不同。

「今天我们问我们的客户，'你是否了解你的个人资料的实际情况？' 答案或多或少是『不』，这与 HPC 的情况相同，」Synopsys 汽车硅生命周期解决方案产品经理 Pawini Mahajan 说。因此，我们试图通过硅生命周期管理 (SLM) 做的是在架构级别的设计生命周期早期插入监视器，并在整个生产生命周期中收集数据，包括在斜坡阶段、生产阶段、制造阶段。我们甚至可以在设备到达现场之前不断收集数据。所有这些数据都是我们在整个生命周期中收集的，我们将这些数据作为反馈循环提供给设计工程师，以进一步改进下一代设计。但是我们对现场数据所做的工作也可以用于任务概况。例如，您可以监控任务概况，或老化和退化。所有这些数据都在收集和填充。

这些数据如何被分割和分析取决于它的用途。其中大部分是使用用户为自己的目的创建的内部工具完成的。在某些情况下，数据不完整是因为数据收集受到合同义务的阻碍。

「这是一个非常破碎和脱节的区域，」马哈詹说。「每家半导体公司、一级供应商或 OEM，取决于他们在生命周期中所处的位置，都有自己的解决方案。一些半导体公司可能拥有自己版本的过程、电压和温度监视器，用于从其芯片中收集数据。但是，一旦该芯片进入汽车，目前可能还没有一种指标可以通过 OEM 的数据湖提取该数据，因为这些合同中不存在某些交互。」

在设计流程中，最重要的是提高生产力。数据很重要，但往往没有得到应有的有效利用。

Synopsys DesignDash 产品经理 Mark Richards 表示：「随着设计规模的不断扩大，挑战变得如此困难，以至于他们没有时间进行他们想要进行的多轮优化。」 「这主要是关于在他们拥有的时间窗口内完成它，所以无论 PPA 是什么，无论他们最终采用何种治疗方法，他们最终都会采用。随着这些设计变得越来越大，迭代时间越来越长，他们试图做的只是以某种方式提高生产力。数据是达到目的的一种手段，他们将采取目前可以找到的最佳手段来实现这一目标。」

如果收集和分析了正确的数据，它可以用来显著改进优化。理查兹说：「如果我们能够开始以一种他们可以有效吸收它的方式向用户展示它，那将有助于推动并提高生产力。」 「我们如何利用所有这些引擎，使用引擎盖下的方法能够以比从日志文件中获得的更细粒度的级别读取引擎？然后我们可以开始合并该数据，并尝试在其中找到模式。如果我们可以提取这些模式，我们就可以开始将它们视为因果关系、相关性或介于两者之间。这有助于工程师更有效地完成工作，这正是他们最终想要达到的目标。」

一旦芯片制造并通过测试，它就可以用于硬件/软件启动。「假设硅质量好并且是已知的好芯片，你想（取决于应用程序）添加第一级软件，例如软件内核，然后对其进行测试，」高级主管 Vivek Chickermane 说。Siemens Digital Industries Software 的 Tessent 嵌入式分析研发.「然后你把它放在下一个层次上，这可能是操作系统微服务，然后是完整的操作系统，也许还会添加一些应用程序。您构建软件堆栈，并在实验室中进行尽可能多的测试。在那里，工程师们真的很想在现场部署之前识别和调试问题，他们紧紧关注几个问题。例如，如果系统是单芯片，它可能会使用以前从未使用过且从未在硅片中得到验证的 IP。您显然想验证这一点。下一个级别是添加内核或操作系统等。我们可能不确定其生态系统有多强大。编译器、内核服务、微服务有多好？你想确保所有这些都运作良好。然后你想检查软件是否会按预期运行，

一旦设计团队达到调试目标并且硬件/软件协同设计被认为是好的，他们就可以从实验室转移到现场。这带来了一系列完全不同的挑战。

「该领域存在很多不确定性和不可预测性，因为您无法始终确保将要在该领域使用的所有软件以前都曾尝试过，」奇克曼说。「假设你买了一部手机，现在你要添加一个稍后开发的应用程序。芯片供应商尚未测试该应用程序。现在想象一下，这是一个很大的系统，里面有各种需求复杂的应用。这是一组完全不同的问题。在现场，挑战是如何构建一个非常可靠和可预测的系统，尤其是当您有很多动态组件时？我如何从不太可靠和不太可预测的组件构建它？可靠性与设计不当的硅无关。就是硅还没有被 100% 证明。您可能有 95% 的信心发布它。所以仍然存在不确定性，这在该领域受到了压力。」

有效使用数据对于缩小差距至关重要，无论是涉及汇总数据还是监控数据。

「有了聚合数据，我可能想运行一个应用程序，看看有多少缓存未命中或发生了多少浮点运算，」他说。「省电模式是否启动，启动了多少次？该系统是根据该聚合数据设计的，因为许多指标（如电池寿命或 CPU 利用率）都依赖于它。该数据来自性能计数器。另一方面，监测数据更加全面。性能计数器提供聚合数据，而监视器提供时间敏感数据，因此有时间差。假设您决定每 100 微秒收集一次数据，因此每 100 微秒就是一个时间差。例如，我们的用户想要所谓的指令跟踪。他们想知道当时正在执行什么指令。如果它是总线监视器，那么它会查看总线上发生的事务。CPU 正在与内存通信吗？是在和网络对话吗？是在和 I/O 对话吗？」

数据的力量

拥有数据是一回事。以可以在设计中产生重大差异的方式应用它是一个巨大的飞跃，这会转化为消费者的价值。

「如果你看看像 Apple 这样的公司，他们拥有大量关于蜂窝连接的信息，」Infineon 的 Conant 说。「蜂窝连接在哪里工作？它在哪里不起作用？为什么它有效？为什么它在不同的地方不起作用？客户如何使用该产品？功耗如何根据 MCU 的使用方式而变化？他们为该手机设计自己的核心或编写自己的核心芯片组的能力在很大程度上取决于他们拥有的数据的丰富性，这些数据提供了对使用模型的洞察力。」

真正的价值来自于对不同用例的深入理解，以及利用数据为这些用例构建产品的能力。「如果你看看使用他们的芯片的手机的性能，那是非常好的，因为他们对使用模型有深刻的理解，」科南特说。「这些芯片的设计是由这些数据和对它的深刻理解驱动的。这是半导体公司需要追求的目标——深入了解其产品的使用模型。但今天，他们往往敬而远之。」