解密一颗芯片设计的全生命周期算力需求

对广大半导体设计公司而言，算力资源规划和现金流之间的平衡，啧啧，是一门艺术。

多一分是浪费，少一分则崩溃。

我们曾经在初创型IC企业必备白皮书和成长型IC企业必备白皮书里分别画过以下两张图：

左图名字叫做：守护现金流

这年头现金流的重要性，不必多说。

右图名字叫做：人生就是一场豪赌

不管是初创IC设计公司还是成熟公司，新开始一个项目，总是面临着前路未知的情况：

1. 周期性存在突发算力高峰需求，涉及到先进制程问题更加显著；

2. 每次调整制程，都面临新的资源预估，永远估不准；

3. 可能需要某些内部不可用的内存和计算资源。

我们今天认真盘一盘，怎么把这门艺术拉下神坛。

先给大家一个直观感受。

下图是我们某客户全生命周期月度算力实际用量曲线：整个芯片项目全流程为18个月，涉及前端、验证、后端三大团队。

1.  前4个月，只涉及到前端布局与架构，对于算力需求不高，因此月度算力需求较少；

2.  从5月开始，前端、验证、后端均开始工作，算力开始逐步提升，第11个月达算力小高峰，在第16个月达算力最高峰，月度调度峰值达到百万级核时以上；

3.  算力波峰和波谷的核数差距在20倍以上；

4.  算力在第16个月达到最高峰后，迅速下降。

下面我们手把手教你怎么把算力规划拉下神坛：

Part 1  小白版算法

Part 2  老司机版算法

Part 3  全年现实算力需求折算

Part 4  一个并不艰难的选择

Part 1 小白版算法针对的是：项目全新，团队人员也比较新，需要从零计算

Part 2 老司机版算法针对的是：项目全新，但有类似经验的老人在团队，可以凭经验值估算

PS：Part 1和Part 2 二选一阅读即可

为了简化计算，我们根据现实情况作以下假设：

1.  研发团队总人数为100；

2.  团队分为前端、验证和后端3部分，人数比值2：1：1；

3.  芯片的全周期分为3个阶段，每阶段4个月  (仅适用小白版算法)；

4.  三个团队主要使用资源类型：前端团队使用计算型机器；验证团队前期使用计算型机器，之后使用内存型机器；后端团队使用内存型机器 。

Part1 ：小白版算法

这套小白版算法是我们根据N家客户的实际情况，得出的经验参考值：包括不同阶段，不同团队的人员配比与人力占用比例，每人job数，每人每job峰值核数。

因实际团队并非全程在此项目中，部分阶段人力需折算，即人力占用比例。

在我们的参考值基础上略做调整，大家就能大致得出自己公司的相应数值啦。

这套算法通过估算不同阶段内、各个团队所需的算力峰值之和，得出每阶段的算力峰值。

各团队的峰值计算公式为每人每job峰值核数（多台机器则为每台核数*机器数）*团队人数*每人job数（每个阶段计算方式一致）。

Stage 1：前期阶段（第1-4个月）

① 阶段工作详情：前端从事设计相关工作，验证团队同步参与，工作状态都较为稳定，此阶段每月峰值核数趋于一致；② 涉及团队：前端、验证团队；③ 资源并发需求：前端团队每人1台10核、验证团队每人1台20核。

该阶段峰值核时计算（计量单位：核小时）：

1月：10核*50人*1job=500

2-4月：前端团队峰值核数=10*50*1=500 ；

验证团队峰值核数=20*25*1=500；

峰值核数总计为500+500=1000；

则该阶段的峰值核数在2-4月，为1000

（下同，不再详述这一计算过程）

Stage 2：中期阶段（5-8月）

① 阶段工作详情：涉及到前端仿真、验证和部分模块的版图工作。6月在前仿最后阶段做一次大仿真，是算力小波峰，随后算力下降；② 涉及团队：前端、验证和后端团队；③ 资源并发需求峰值：5月：前端团队每人1台18核节点，每人1个job；验证团队每人4个job，每个job约18核（人力占用比例：75%）；后端团队每人1台18核节点；6月：前端团队每人1台24核节点，每人1个job；验证团队每人6个job，每个job约24核（人力占用比例：75%）；后端团队每人1台18核节点；7月：前端团队每人1台18核节点，每人1个job（人力占用比例：40%）；验证团队每人3个job，每个job约18核；后端团队每人1个job，每job约4台18核节点；8月：前端团队每人1个job，每个job18核（人力占用比例：40%）；验证团队每人2个job，每个job18核；后端团队每人1个job，每个job约4台24核节点。

计算结果如下

Stage 3：后期阶段（9-12月）

① 阶段工作详情：主要涉及后端仿真相关工作；② 涉及团队：验证和后端团队；③ 资源并发需求：9月：验证团队，每人4个job，每个job约18核；后端团队每人1-2个job，每个job约4台24核节点（后端人均完成1.6个job，取值1.6）；10月：验证团队每人6个job，每个job约24核；后端团队每人1-2个job，每job约6台24核工作节点（后端人力占用比例：80%，每人2个job）；11月：验证团队每人6个job，每个job约24核；后端团队每人1个job，每job约4台24核工作节点；12月：验证团队每人6个job，每个job约18核；后端团队每人1个job，每job约3台24核工作节点。

计算结果如下

最终全生命周期算力需求图如下（计量单位：核小时）：

可以看出：

1. 和文章开头的实际用户算力曲线趋势一致；

2. 不同月份间的峰值算力差异很大，能达到20倍左右；

3. 不同团队在不同月份的峰值算力需求差异明显。

Part2 ：老司机版算法

如果对于未来芯片项目，你们有过来人能预估出不同团队不同阶段的算力需求，这套老司机版算法将完全适配你。

这套算法是我们根据有项目经验的芯片研发团队的实际情况，通过填入各月每job峰值核数、每月最大并行job数，计算出各团队每月所需的算力峰值。

下面为大家奉上这份《XXX芯片项目-资源需求调研模板》：

左边项目为不同的项目团队。

项目团队内部可分为：前端、验证和后端组。

Step 1：将不同组、每个job所需核数或内存的峰值需求，依次填入中间的“每job峰值核数”和“每job峰值内存”栏目下，负责人填入“团队负责人”栏目下

例如：每个job需要的峰值核数为10，每个job需要峰值内存为20（据经验值统计），前端负责人为Andy。

Step 2：在每月栏目下，填入各团队预期的每月并行最大job数（简称：job数）

Job数可根据研发内部统计，也可根据job数=每人最大并行job数*人数进行计算，如团队并非全程在此项目中，人力还需折算统计。

例如：2022年2-5月，前端团队每人最大并行job数为1，团队有50人，均100%投入在此项目中，则填入下表的job数均为：50*1*100%=50。

Step 3：计算各团队当月峰值算力并相加，得出峰值算力总计（计量单位：核小时）

各团队的峰值计算公式：每job峰值核数*job数（每个阶段计算方式一致）。

例如：2022年2-5月，前端团队的每job峰值核数为10，job数为50；2月验证团队还未开始任务，3-5月，验证团队的每job峰值核数为20，job数为25；2-5月，后端团队还未开始任务。

计算过程如下

前端团队：2-5月：10*50=500

验证团队：3-5月：20*25=500

将各团队每月算力峰值相加，得到每月项目的算力峰值，计算得出项目各月算力峰值表

《XXX芯片项目-资源需求调研模板》Server一栏的Middle /High 型是用户自己设定的不同机器配置，后期计算不同机型费用时会用到，跟算力需求计算无关。

Part3 ：全年现实算力需求折算

不管是小白版算法还是老司机版算法，都是一个月每天全部按峰值需求跑任务的前提下进行计算的。但实际情况下，肯定不需要一直按峰值顶格跑。

我们折算一下：

全月全资源峰值用量：峰值核数*30天*24小时

全月实际用量可能是：峰值核数*22天*8小时

用小白版算法的数据来调整：

6月算力小波峰：后端按30天*18小时估算，验证按30天*16小时估算；

10月算力大波峰：后端按30天*24小时估算，验证按照30天*16小时估算。

得出下表，并绘制成相应曲线图：

灰色曲线为按峰值计算的算力需求

橙色曲线为折算后实际需要的算力 

Part4 ：一个并不艰难的选择

好了，全生命周期算力需求算完了。

到了算账的环节了。

灰色代表当月按峰值顶格算的用量，橙色代表月度实际用量。

绿色代表本地资源，必须按这一阶段需求峰值准备，也就是按灰色来准备。买不到峰值，肯定会影响到芯片项目进度。

如果是纯本地，就是按绿色这根线买。现金流是必须要动用一大笔的了，采购周期也是必须要考虑的。

按照本文开头我们某客户全生命周期月度算力实际用量曲线，波峰、波谷间差距可高达20倍，月调度核时峰值能达到百万级以上。顶格买……

如果是全云端，就是按橙色这根线花钱。想用就用，不想用就关掉，用了才花钱。现金流逐步平缓支出。

绿色线和橙色线中间的差距（图中阴影部分），各人可能有各人的体会。

算力资源规划VS现金流

芯片项目周期VS市场竞争格局

具体怎么权衡和取舍，还是要看企业自己。

一颗芯片设计完整生命周期下，不同阶段，不同应用场景，对算力更精细的需求差异，我们相应的推荐和建议，以后再聊。

- END -

我们有个一站式IC设计云平台

集成多种EDA应用，大量任务多节点并行

应对短时间爆发性需求，连网即用

跑任务快，原来几个月甚至几年，现在只需几小时

5分钟快速上手，拖拉点选可视化界面，无需代码

现在！我们的IC设计研发云平台支持免费试用，还送300元体验金

扫码免费试用~

如果你对这个一站式IC设计云平台还有更多想问的，比如：

1、你们支持哪些EDA应用？能覆盖到我常用的软件吗？

2、EDA应用所需的计算资源非常大，你们如何解决这个问题？

3、把EDA研发环境部署到云上有什么好处？

4、除了CPU，GPU/TPU/大内存的机器都有吗？

5、你们说的“一整套即开即用的IC研发设计环境”是什么意思？从本地到云上，操作方式会改变很大吗？

6、云端输出计算结果是否与本地完全一致？

7、云端这么多的机器，管理得过来吗？

8、云上有些资源很贵，有没有节约成本的方案？

9、任务监控也能用来省钱，你们是怎么做到的？

10、很多PDK，就有几十T，怎么到云上，而且需要持续更新？

11、如何云上保护我们的IP资产？

12、脚本每日都有变动，云上要增加工作量？工作脚本如何更新？

13、云上的EDA软件怎么部署安装？

14、License Server配置在本地和云端对计算性能/一致性/稳定性是否有影响？

15、使用平台的工作人员比较多，能否对每个人设置使用资源的上限？

16、公司有海外研发部门，用你们平台方便吗？

17、怎么保障数据安全？

……

答案都在这里，欢迎扫码添加小F微信（ID：iamfastone）免费获取~

关于为应用定义的云平台：