Een ontwerper van computerchips moet over veel dingen nadenken, zoals klokkenbomen.
“Wanneer je de klokboom invult, is het een zeer moeilijke stap”, vertelde Kam Kittrell, de senior productmanagementgroepdirecteur bij Cadence Design Systems, een van de belangrijkste toolbouwers voor chipontwerpers, aan ZDNet in een interview via Zoom.
Het onderwerp van de discussie was wat Cadence zijn Cerebrus Intelligent Chip Explorer noemt, een nieuw uitgebracht softwareprogramma dat bedoeld is om chipontwerpers te helpen door machine learning te gebruiken om enkele van de betrokken stappen te automatiseren.
Cerebrus maakt deel uit van de gereedschapsketen, zoals het wordt genoemd, die Cadence verkoopt, dat gaat van een taal op zeer hoog niveau “tot de laatste via en draad”, zoals Kittrell zegt, de afzonderlijke delen van een chip. Het is als een auto-assemblagelijn van honderden stappen, zoals hij opmerkt, en Cerebrus voegt een nieuw segment in die assemblagelijn in dat een deel van het handwerk van een ontwerper overneemt en automatiseert met machine learning-routines.
Cadence beweert dat Cerebrus de productiviteit van menselijke chipontwerpers met een orde van grootte kan verhogen, terwijl het ook de drie belangrijkste metrieken van chipkwaliteit – prestaties, energie-efficiëntie en hoe compact het vierkante gebied is – met maar liefst 20% verhoogt. Die drie statistieken worden meestal 'PPA' genoemd, vermogen, prestatie, gebied.
Cerebrus draait op AWS en andere cloudplatforms, maar kan ook on-premise worden uitgevoerd.
Ook: Google's deep learning vindt een kritiek pad in AI-chips
De drijfveer voor de tool is het feit dat de chipcomplexiteit wordt versneld terwijl de chipproductie steeds meer uitdagende fysieke beperkingen ondervindt bij de afbraak van de wet van Moore dicht bij de atomaire schaal.
“Een paar jaar geleden waren het mobiele telefoons die het chipontwerp aanstuurden, en toen kwam de cloud, en dan is er 5G en AI”, zo vatte Kittrell de opmars van technologieën samen die op chip worden geïntegreerd. “En autofabrikanten zeggen dat ze 5G en AI samen nodig hebben, en de chips worden alleen maar moeilijker en moeilijker te ontwerpen.”
Met de krimp van transistors tot afmetingen van drie miljardste van een meter in de onderdelen die worden ontworpen door Apple en Intel en anderen, en het samenpakken van meerdere miljarden van die transistors in een gebied van misschien maar een paar vierkante millimeter, voldoet aan al die AI en 5G-mogelijkheden in een enkel onderdeel volgens PPA-vereisten is ontmoedigend.
“We hebben meerdere vectoren die samenkomen, en het wordt steeds moeilijker naarmate we diepere technologieknooppunten betreden”, zegt Kittrell.
Het geheim van waarom Cerebrus werkt, is dat de gereedschapsketen al “erg algoritmisch” is, zei Kittrell. Ingenieurs zijn al gewend aan multivariate berekeningen om tot optimale oplossingen te komen. “Dit zijn echt moeilijke wiskunde-intensieve problemen om op te lossen.”
Om verschillende oplossingen voor die problemen te proberen, voeren programmeurs experimenten uit.
“Je neemt een miljard exemplaren van een netlijst”, de beschrijvingen van de machine van de onderdelen die bij elkaar passen om een circuit te maken, “en ze zijn allemaal met elkaar verbonden”, en het optimalisatieprobleem is er een van ” waar je ze plaatst om de connectiviteitsafstand te verkleinen, hoe je ze verbindt met vijf lagen metaal”, zei hij.
De beste programmeurs kunnen op elk moment drie tot vijf experimenten uitvoeren, zei Kittrell. Cerebra's kunnen 50 tot 100 tegelijk rennen.
“Je geeft het een vector, waar geef je om”, legde Kittrell uit van de PPA. Cerebrus “kan snel een goede weg naar een oplossing vinden.” Een ingenieur kan één variabele constant houden, zoals het chipoppervlak, en Cerebrus laten experimenteren met de andere metrieken. Aan het einde van experimenten zal Cerebrus experimenten herhalen om elke stap in de optimalisatie te tonen, en een ingenieur kan elk punt in die reeks stappen gebruiken als een nieuw startpunt voor een nieuwe optimalisatie.
De optimalisaties kunnen ook worden opgeslagen, zodat een klant een bibliotheek met optimalisaties kan verzamelen die een basis vormen voor toekomstig werk.
Cadence-klanten, zoals Renesas uit Japan, dat industriële en autochips maakt, evenals de contractchip-making-divisie van Samsung, zeggen dat Cerebrus heeft geholpen de PPA van hun chips te verbeteren, en de ingenieurs productiviteit.
Het lef om Cerebrus te maken, staat bekend als versterkend leren. Kittrell weigerde echter details van de RL-aanpak te specificeren. “We onthullen niet veel details, behalve dat het ML is met leermogelijkheden voor versterking”, zei hij, en merkte op dat het gebied van AI in chipontwerp “op dit moment een zeer competitief gebied is.”
Cadence heeft duidelijk een schat aan specifieke kennis vergaard over het proces van chipontwerp, en dat kan dienen om de RL te informeren.
Dat brengt ons bij het klokken van bomen.
Voor het geval je het nog niet wist, klokbomen zijn een manier waarop de fundamentele drumbeat van een computerchip, het oscillerende kloksignaal dat de cadans van bewerkingen handhaaft, wordt verdeeld over de circuits van de chip.
Het probleem is dat het maken van een goede klokkenboom niet iets is dat op zichzelf kan worden gedaan. Idealiter kan het worden gedaan in combinatie met tal van andere variabelen, op een soort holistische manier, om het PPA-probleem op te lossen. “Het is erg moeilijk om een goede klokboom erin te krijgen, maar soms weet je pas of hij goed is als de rest van de chip op is”, legt Kittrell uit.
Met hulp van Cerebrus' RL, kan de klokfrequentie slechts één variabele worden, verpakt om de best mogelijke chip te maken.
De RL-modellen die Cerebrus gebruikt, zijn meestal niet van tevoren op een bepaalde manier getraind, omdat “alles wat ik vooraf heb getraind als een kristallen vaas kan zijn, er één chip in doen en het hele ding is verpest”, gezien het enorme aantal variabelen , legde Kittrell uit. “Dus de eis is dat we ook zonder training snel oplossingen moeten kunnen vinden.”
Ook: Google heeft AI gebruikt om het ontwerp van computerchips te gamificeren
Bij de tegelijkertijd kunnen de resultaten van eerdere experimenten worden aangepast aan een nieuwe reeks variabelen.
Gevraagd naar hoeveel van Cerebrus intern is ontworpen, merkte Kittrell op: “Natuurlijk staan we op de schouders van veel goede technologie”, en legde uit dat de rijkdom aan direct beschikbare open-sourcesoftware om op te bouwen betekent ” we zouden dit vijf of zes jaar geleden niet hebben bedacht.” Tegelijkertijd dient Cadence patenten in op het Cerebrus-programma en investeert het in de verdere ontwikkeling ervan.
Gevraagd of het programma menselijke uitvindingen zal vervangen, zei Kittrell dat er nog steeds ruimte is voor het bedenken van mogelijkheden die niet eens bestaan.
Je hebt misschien gehoord van het recente werk van Google dat deep learning gebruikt om het probleem van het bedenken van een goede plattegrond voor circuitlay-out op te lossen. Kittrell, die de auteurs van het werk kent, beschouwt het Google-werk als een 'inspiratie', maar voorspelt dat het menselijke ingenieurs die tools gebruiken niet zal vervangen.
“De vraag naar ingenieurs is op dit moment enorm gestegen”, zegt Kittrell, “en we zullen het voor mensen mogelijk maken om werk gedaan te krijgen met de ingenieurs die ze nu hebben, in plaats van iemand op het brood te zetten line.
Hij voegde toe: “We willen graag benchmarken met de jongens van Google.”
Verwante onderwerpen:
Hardware Digitale transformatie CXO Internet of Things Innovation Enterprise Software 