Thực hành tự động hóa thiết kế mạch analog/digital dựa trên AI - Thiết kế và kiểm chứng IP LDO/AXI-Lite trong thực tế công việc

Xin chào. Tôi là Huấn luyện viên Sam.

Lần này, tôi đã bổ sung thêm hàng loạt dự án thực tế vào bài giảng thiết kế mạch tương tự (Analog) và bài giảng thiết kế mạch kỹ thuật số (Digital).

Bản cập nhật lần này không chỉ dừng lại ở mức độ bổ sung thêm một vài tệp thực hành. Thay vì chỉ kết thúc ở bước thiết kế và mô phỏng mạch điện, nội dung được xây dựng để bạn có thể trải nghiệm toàn bộ quy trình từ tự động hóa các tác vụ lặp đi lặp lại, kiểm chứng kết quả cho đến việc sắp xếp thành sản phẩm đầu ra cuối cùng.

Gần đây, ngay cả đối với các kỹ sư bán dẫn, trường hợp bị hỏi về việc đã ứng dụng AI vào công việc thực tế như thế nào cũng đang ngày càng tăng lên. Trong đơn ứng tuyển tuyển dụng của SK Hynix lần này, mục ‘Mô tả kinh nghiệm ứng dụng AI’ cũng đã được đưa vào riêng biệt.

Kinh nghiệm về AI được đề cập ở đây không chỉ đơn thuần là trải nghiệm tìm kiếm tài liệu hay viết văn bản bằng ChatGPT.

Bạn phải có kinh nghiệm trong việc xác định các vấn đề phát sinh trong công việc, áp dụng AI hoặc các công cụ tự động hóa, sau đó trực tiếp kiểm chứng và cải thiện kết quả tạo ra thì mới có thể viết một cách đầy thuyết phục.

Hai dự án được thêm vào lần này được thiết kế để bạn có thể trực tiếp tạo ra những trải nghiệm như vậy.

Trong bài giảng về Analog, dự án thiết kế TSMC 0.18μm CMOS LDO đã được thêm vào.

Kết nối LTspice với Python để tự động thay đổi kích thước transistor và giá trị mạch bù, đồng thời đo lường lặp lại DC Gain, UGF và Phase Margin. Quá trình này bao gồm cả việc tự động tính toán kích thước (sizing) bằng Optuna TPE và NSGA-II, tối ưu hóa đa mục tiêu giữa hiệu suất - công suất - diện tích, cũng như kiểm chứng PVT Corner và Monte Carlo.

Tôi cũng bao gồm cả quá trình cấu trúc hóa các thông số kỹ thuật mạch được viết bằng ngôn ngữ tự nhiên, phân tích kết quả theo từng điều kiện quy trình, và kết nối với RAG bảng dữ liệu (datasheet) cùng tự động hóa KLayout Python.

Sau khi hoàn thành dự án này, bạn có thể giải thích trải nghiệm của mình theo luồng dưới đây thay vì chỉ nói đơn thuần là “tôi đã sử dụng AI”.

“Tôi đã xác định vấn đề về việc định cỡ mạch LDO và tổng hợp kết quả mô phỏng vốn phải lặp đi lặp lại bằng tay, sau đó tự động hóa việc tìm kiếm thiết kế bằng cách sử dụng Python và thuật toán tối ưu hóa. Các kết quả do AI cấu trúc hóa hoặc giải thích đã được kiểm chứng lại thông qua mô phỏng LTspice PVT và Monte Carlo.”

Trong bài giảng kỹ thuật số, dự án thiết kế và kiểm chứng AXI4-Lite Slave IP dựa trên SystemVerilog đã được thêm vào.

Trực tiếp triển khai FSM cho Read·Write Channel của AXI4-Lite và 16 Memory-Mapped Register, đồng thời kiểm chứng RTL bằng cách sử dụng Verible Lint, SystemVerilog Assertion, Cocotb BFM, Scoreboard, Random Test và Functional Coverage.

Sau đó, kết nối đến tổng hợp Quartus FPGA, phân tích Setup·Hold Timing, ước tính công suất dựa trên VCD, GitHub Actions CI và theo dõi QoR theo từng Git Commit.

Trong các dự án kỹ thuật số, điều quan trọng không phải là sử dụng nguyên văn các RTL và kịch bản kiểm thử do AI viết hoặc đề xuất, mà là phải nắm vững phương pháp kiểm chứng thông qua Lint, Assertion, Simulation, Scoreboard và Coverage.

Ví dụ, bạn có thể mở rộng trải nghiệm sử dụng AI của riêng mình bằng cách sử dụng AI để tạo điều kiện ngoại lệ AXI hoặc bản thảo kịch bản thử nghiệm, sau đó triển khai chúng bằng Cocotb và SVA rồi phân tích các trường hợp thất bại thực tế.

Khi chuẩn bị cho mục kinh nghiệm sử dụng AI của SK Hynix, đừng chỉ liệt kê tên các công cụ AI đã sử dụng.

Tốt nhất là nên sắp xếp nội dung sao cho làm nổi bật được những điểm sau.

Bạn cần giải thích rõ: bạn đã phát hiện ra công việc lặp đi lặp lại hay vấn đề kỹ thuật nào, bạn đã áp dụng AI và tự động hóa vào giai đoạn nào, tiêu chuẩn và logic do chính bạn thiết kế là gì, bạn đã kiểm chứng kết quả do AI tạo ra bằng mô phỏng và chỉ số nào, cũng như phương thức làm việc hoặc kết quả đã thay đổi như thế nào trước và sau khi áp dụng.

Đặc biệt, đối với vị trí thiết kế mạch, việc thể hiện rằng bạn có kiến thức chuyên môn và tiêu chuẩn đánh giá để kiểm chứng kết quả của AI quan trọng hơn là chỉ giải thích rằng “tôi đã yêu cầu AI tạo ra mạch điện”.

Khi thực hiện dự án lần này, đừng chỉ để lại mỗi màn hình kết quả mà hãy ghi chép lại cả những tài liệu sau đây.

• Vấn đề đã định nghĩa ban đầu và thông số kỹ thuật mục tiêu

• RTL hoặc thông số mạch điện được sửa đổi trực tiếp

• Công cụ AI·tự động hóa đã sử dụng và phạm vi áp dụng

• Kết quả thất bại và phân tích nguyên nhân

• Chỉ số mô phỏng và kiểm chứng

• Kết quả cuối cùng và so sánh trước sau khi cải thiện

• Căn cứ hiệu chỉnh thay vì sử dụng nguyên trạng kết quả AI

Có ghi chép này, bạn mới có thể giải thích cụ thể vai trò của mình không chỉ trong bản tự giới thiệu và bản mô tả kinh nghiệm mà còn cả trong buổi phỏng vấn.

Tôi cũng đã bổ sung thêm hướng dẫn về đường dẫn cài đặt và thiết lập môi trường để có thể tái hiện lại việc thực hành trên các máy tính khác.

Trong dự án analog, tôi đã tổng hợp lộ trình thực thi LTspice, môi trường ảo Python, quản lý tệp model/symbol, cũng như phương pháp thực hiện PVT và Monte Carlo.

Trong dự án kỹ thuật số, tôi đã tổng hợp chi tiết cách cài đặt và thiết lập biến môi trường cho Quartus, ModelSim, Verible, OSS CAD Suite, Icarus Verilog, Cocotb và GNU Make.

Nếu bạn đang chuẩn bị cho vị trí thiết kế mạch bán dẫn, đừng chỉ dừng lại ở việc chạy theo dự án này một cách đơn thuần, mà hãy thử tự mình thay đổi các thông số kỹ thuật và điều kiện thử nghiệm để tạo ra kết quả của riêng mình.

Quan trọng hơn cả kinh nghiệm sử dụng AI chính là kinh nghiệm giải quyết các vấn đề chuyên môn bằng AI và kiểm chứng kết quả đó dựa trên các tiêu chuẩn kỹ thuật.

Vui lòng kiểm tra tệp dự án và ghi chú bài học chi tiết trong bài giảng.

Cảm ơn bạn.

Trân trọng, Sam Coach