大模型与EDA工具

       EDA工具，目标是硬件设计，而硬件设计，您也可以看成是一个编程过程。

        大模型可以辅助软件编程，相信很多人都体验过了。但大都是针对高级语言的软件编程，比如：C++，Java，Python，JavaSctipt。面向的行为是软件（CPU或GPU）。有多大用处，见仁见智，我在之前的博客里也提到过。这里不再多说，但是对于硬件编程，也就是我们所说的RTL编程，EDA工具的使用。大语言模型是否有效，有多大的帮助，实际上没有认真思考过。

        首先，RTL编程，最常用的仍然是VS-Code，在线工具可以使用EDA Playgroud。如果针对FPGA编程，使用的是专用的Vivado和 Quarters，如果要仿真，用得最多的是Mentor 的 ModelSim，还有一个很有名的综合工具：Synopsys Design。可以看到，这些工具，大多数都是厂家特制的工具，并不是针对语言级别的，这些厂家是否会提供 AI Assistant，目前并没有见到。但我们有时会使用 chatGPT来生成System Verilog，来做一些验证测试程序。

一：RTL & EDA

        对于RTL代码，它的考量指标，不止是性能和可维护性，终极目标是实现的硬件的PPA，可以说，它的目标与软件编程有所不同。

• RTL设计需要符合综合工具的要求，而综合工具很有可能是厂家私有定制的。这对于AI有一定的难度。提供一些建议是可以的，要100%的正确，可能还得综合工具原厂的配合。对于综合工具反馈的问题，需要有能力修复，否则不可用。
• 不仅仅是语法问题，RTL运行依赖于SDC，LLM必须要理解SDC所描述的约束。否则无法用于实际的硬件设计。
• RTL的逻辑验证，也就是重要的测试是在仿真工具中完成，写仿真需要的激励代码和测试环境非常重要，输出的波形也是在仿真器中完成调试的，这个是否只能人工来完成？还是有可能让AI工具通过图形或视频来自动验证？

        可以看出，硬件编程会与芯片的综合过程有关，与约束相关，测试验证与仿真相关，这些重要的过程，AI必须要干预，最终的目标，当然是提供更好的PPA。这些既是要求，机会，也是LLM要达成目标的难点。

二：硬件编程的关注点

        那我们进一步来看看，如果要让AI生成RTL代码，需要聚焦哪些点？

2.1：PPA

        和软件有很大不同，硬件开发更注重最终实现的硬件的性能，因为产出物最重是要投入大批量生产的。并不像软件那样，更注重代码的生产量。RTL设计中，代码最终的硬件性能指标往往是更重要的，也就是我们说的PPA。

        PPA：Power，Performance，Area，功耗，性能，面积 是RTL设计中最重要的衡量指标。

        生成代码不仅要逻辑正确，还需要能优化硬件资源的使用量（面积），满足性能需求（时序能够收敛），并且能尽量降低功耗。这些要求与软件设计中对逻辑正确性和运行Runtime性能优化有很大的不同。

        硬件设计的错误，代价极大，因为在芯片流片后发现问题，修复BUG有巨大的时间和经济成本。这意味着，对于RTL代码在生成和测试阶段要求会比软件开发更加严格。

2.2：综合，仿真，调试

        对于综合工具，仿真工具，调试器的依赖很高

        这里我们又强调一次，综合就是将逻辑转成实际的物理硬件（芯片会提供Primtive组件）。

        仿真工具就是模拟RTL的运行，需要有激励代码和测试环境，需要查看运行时的波形。

        调试器可以随时查看程序中的变量和IO值。

        总的来说，RTL的编程，复杂度更高，依赖性更强，不仅仅是RTL语法的问题。

2.3：期望和猜想

        对于RTL开发团队，最在意什么？上面讲了，更好的PPA，那如何得到？

        硬件编程不仅仅是写好RTL，需要和EDA其它工具很好的整合，提供相应EDA工具的更好的使用方法，为综合，仿真，调试提供建议（实际上，要做到这个就很难了，因为相应的工具是闭源的）

        所以，我们可以看出，RTL编码对于AI的要求，与纯软件编程是完全不同的，目标不同，环境不同。

        我们期望：工程师使用 Prompt（自然语言）直接生成电路的设计：

        （来自 ChipGPT的思路）

1. 提示生成：它根据用户给出的规范描述为ChatGPT创建提示（例如：“设计带有进位和进位输出的4位加法器”）。
2. 程序生成：它使用 ChatGPT 生成每个提示的 Verilog 代码。
3. 程序优化：输出管理器通过机器反馈和人工反馈修复和改进 Verilog 代码（原始程序），并将它们放在最终的设计空间（程序列表）中。这个空间包含了所有可能的解决方案。
4. 设计选择： ChipGPT 搜索最终的设计空间，并根据目标指标选择最佳设计。

        好了，然后 如何优化，达成合理的PPA？

        我们可以使用四个模块来控制输出：Specification Split、Prompt Manager、Output Manager和Enumerate Search。

    &n