Shanghai Roadshow Recap 上海路演回顾 – Quick Preview of InTime

This is a recap of a event that we did in Shanghai. The text is mainly in Chinese. If you need the details in
English, do let us know. Cheers!

---

2014年3月29日在IC咖啡上海站讨论在FPGA设计里工程师与设计团队所面对的问题，及如何应用数据分析和机器学习演算法来解决。

【主讲人】

黄瀚华, 技术副总裁 

张伟雄 Kirvy,  产品总裁 

· 定义：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

· 机器学习技术很适合用在所谓的“大数据”应用，例如网络商家的商品推荐系统、石油开采的开采地点预测工具等。

· FPGA设计其实也包含了大数据的特征，所以时序、利用率、功耗方面的问题都能以机器学习技术来解决。

· 采用机器学习演算法，胜过现有的方法（例：尝试不同的“种子”）几倍。

· 流程：

（一）分析FPGA器件、设计项目、约束条件等输入参数，以及编译过程中所达到的时序频率、利用率和功耗等结果之间的相关性。

（二）推断对项目最有利的综合、布局布线设置参数。

（三）产生新的编译设置的组合。

（四）从结果中不断学习新的相关性，不断自我改良。

· 在无需要修改RTL代码的情况下解决问题，优化设计。

· 基于Xilinx和Altera的软件的一个优化插件。

· 可以帮助使用者解决一些原厂工具不能解决的优化问题。

· 寻求国内的合作伙伴。

近年来，机器学习技术在不同的领域开始逐渐地扮演越来越重要的角色。例如在亚马逊等网络商店的商品推荐系统中、石油公司的石油开采工程里，都采用了机器学习的原理和演算法。百度百科网站把机器学习形容为“专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。”的一门学问。 也“涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科， 是人工智能的核心。”

（一）大量的数据

（二）数据种类繁多

（三）有快速达到答案的需求

每一个FPGA设计其实都包含了许多相关的特征。

首先，因为编译过程的重复性大，一个设计能产生几十G，甚至几百G的数据，尤其是综合、布局布线中所产生的信息。

第二，能用来实现一个产品的设计，逻辑组合，目标器件，软件工具版本等等种类繁多。

第三，FPGA软件工具主要是以一种设计空间搜索的方式来达到时序、利用率上的答案。

虽然编译过程所需的时间可长达几个小时，甚至几天，但是其实工具每一分每一秒都在尽力地设法推断出好的结果来。

时序收敛上遇到困难时，身为FPGA工程师的我时常会试着使用”placement种子“来解决问题（相信同行的朋友也会有同感）。然而，种子是一套随机性的，几乎盲目性的设计空间搜索办法，不怎么可靠。除了尝试种子，另外一个方法恐怕就是修改RTL代码了。但是修改代码有可能会影响到其它模块，甚至整个产品的功能，危险性较大。这是一种常见的现象。如果有办法自动地分析数据，然后自动地归纳出对设计结果最有利的输入参数，FPGA设计团队将能大大提高设计流程的效率。机器学习不就是个好的解决方案吗？

为了回答这个问题，几年前我们开始研究编译过程中所产生出来的数据，和输入参数之间的相关性。我们从中发现到，不同的设计在不同的综合、布局布线条件下所产生出的结果居然有固定的概率分布。从概率论的角度来分析，如果能了解结果的分布，学习到什么样的编译条件组合能引起什么样的效果，那我们就能自动地调整FPGA原厂工具的综合、布局布线的选项，一步一步地把时序、利用率、功耗结果往好的方向移。初步测试的结果显示，这样子的机器学习应用模式能解决许多现有的技巧 （例如使用种子：图表A）所解决不了的问题。原厂工具的功能其实并不弱，只是工程团队都得全神贯注在设计上，没法花时间去了解工具。

图表A：单靠Placement种子无法解决问题。

图表B：使用InTime第一回合，结果已胜过Placement种子。

不只时序成绩进步了，连利用率也减低

Y轴：时序结果的积分；0表示成功地达到时序收敛。

X轴：100个机器学习的编译选项组合（InTime产生的“策略”）。

图表C：基于第一回合的最好的策略，尝试Placement种子，成功地解决问题

Y轴：时序结果的积分；0表示成功地达到时序收敛

X轴：1至100的Placement种子。

如果第一回合的成绩不够好，不适合尝试种子，那就再产生策略运作。