En designer av datorchips måste tänka på många saker, till exempel klockträd.
“När du sätter i klockträdet är det ett mycket svårt steg”, säger Kam Kittrell, chef för produktledningsgruppen på Cadence Design Systems, en av de främsta verktygsbyggarna för chipdesigners, till ZDNet i en intervju via Zoom.
Ämnet för diskussionen var vad Cadence kallar sin Cerebrus Intelligent Chip Explorer, ett nyutgivet program som är avsett att hjälpa chipdesigners genom att använda maskininlärning för att automatisera några av de inblandade stegen.
Cerebrus är en del av verktygskedjan, som det kallas, som Cadence säljer som går från ett språk på mycket hög nivå “ner till sista via och wire”, som Kittrell uttrycker, de enskilda delarna av ett chip. Det är som en bilmonteringslinje med hundratals steg, som han noterar, och Cerebrus sätter in ett nytt segment i den monteringslinjen som tar över en del av en designers handarbete och automatiserar det med maskininlärningsrutiner.
Cadence hävdar att Cerebrus kan öka mänskliga chipdesigners produktivitet med en storleksordning och samtidigt öka de tre huvudsakliga mätvärdena för chipkvalitet – prestanda, energieffektivitet och hur kompakt kvadratytan är – med så mycket som 20%. Dessa tre mätvärden kallas vanligtvis “PPA”, effekt, prestanda, område.
Cerebrus körs på AWS och andra molnplattformar men kan också köras på plats.
Också: Googles djupa inlärning hittar en kritisk väg i AI -chips
Drivkraften för verktyget är det faktum att flisens komplexitet accelereras samtidigt som tillverkningen av chips motverkar allt mer utmanande fysiska begränsningar i nedbrytningen av Moores lag nära atomskalan.
“För några år sedan var det mobiltelefoner som drev chipdesign, och sedan kom molnet, och sedan är det 5G ovanpå det, och AI,” är hur Kittrell sammanfattade tekniken för att behöva integreras på chip. “Och biltillverkare säger att de behöver 5G och AI tillsammans, och chipsen blir bara svårare och svårare att designa.”
Med krympningen av transistorer till dimensioner på tre miljarder av en meter i delarna som designats av Apple och Intel och andra, och packningen av flera miljarder av dessa transistorer i ett område som kanske bara mäter ett par kvadratmillimeter, uppfyller alla dessa AI och 5G -funktioner i en enda del enligt PPA -kraven är skrämmande.
“Vi har flera vektorer som kommer ihop, och det blir svårare och svårare när vi går in i djupare tekniknoder”, säger Kittrell.
Hemligheten till varför Cerebrus fungerar är att verktygskedjan redan är “mycket algoritmisk”, säger Kittrell. Ingenjörer har redan för vana att beräkna flera varianter för att nå optimala lösningar. “Det här är riktigt tuffa matteintensiva problem att lösa.”
För att testa olika lösningar på dessa problem, kör programmerare experiment.
“Du tar en miljard instanser av en nätlista”, maskinens beskrivningar av delarna som passar ihop för att skapa en krets, “och de är alla sammankopplade”, och optimeringsproblemet är en av ” där du placerar dem för att minska anslutningsavståndet, hur du ansluter dem med fem lager metall, “sa han.
De bästa programmerarna kan köra tre till fem experiment när som helst, säger Kittrell. Cerebras kan springa 50 till 100 samtidigt.
“Du ger den en vektor, vad bryr du dig om”, bland PPA, förklarade Kittrell. Cerebrus “kan snabbt hitta en bra väg till en lösning.” En ingenjör kan hålla en variabel konstant, såsom chip -område, och få Cerebrus att experimentera med andra mätvärden. I slutet av experimenten kommer Cerebrus att spela om experiment för att visa varje steg i optimeringen, och en ingenjör kan använda valfri punkt längs den stegkedjan som en ny utgångspunkt för en ny optimering.
Optimeringarna kan också sparas, så att en kund kan samla ett bibliotek med optimeringar som sedan blir en grund för framtida arbete.
Cadence-kunder, till exempel Renesas i Japan, som tillverkar industri- och bilchips, samt divisionen för tillverkning av kontrakt för chip, säger att Cerebrus har hjälpt till att förbättra PPA för sina marker och ingenjörers produktivitet.
Modet för att göra Cerebrus är det som kallas förstärkningslärande. Kittrell vägrade dock att specificera detaljer om RL -metoden. “Vi avslöjar inte mycket detaljer förutom att det är ML med förstärkande inlärningsmöjligheter”, sa han och noterade att AI -området inom chipdesign är “ett mycket konkurrenskraftigt område just nu.”
Kadens har uppenbarligen samlat på sig en mängd specifik kunskap om processen för chipdesign, och det kan tjäna till att informera RL.
Vilket tar oss till klockträd.
Om du inte visste det är klockträd ett sätt att det grundläggande trumslaget på ett datorchip, den oscillerande klocksignalen som upprätthåller kadensen för operationer, distribueras genom chipets kretsar.
Problemet är att att göra ett bra klockträd inte är något som kan göras isolerat. Helst kan det göras i kombination med många andra variabler, på ett slags holistiskt sätt, för att lösa PPA -problemet. “Det är väldigt svårt att få in ett bra klockträd, men ibland vet man inte om det är bra förrän resten av chipet är klart”, förklarade Kittrell.
Med hjälp av Cerebrus RL kan klockfrekvensen bli bara en variabel förpackad för att göra det bästa chipet möjligt.
RL-modellerna som Cerebrus använder är vanligtvis inte utbildade på ett visst sätt i förväg, eftersom “allt jag föruttränat kan vara som en kristallvas, lägg ett chip i det och det hela förstörs”, med tanke på det stora antalet variabler , förklarade Kittrell. “Så kravet är att även utan utbildning ska vi kunna hitta lösningar snabbt.”
Också: Google har använt AI för att gamifiera designen av datorchips
På samtidigt kan resultaten från tidigare experiment anpassas till en ny uppsättning variabler.
På frågan om hur mycket av Cerebrus som utformades internt, observerade Kittrell, “naturligtvis står vi på axlarna för mycket bra teknik”, förklarar att rikedomen av lättillgänglig programvara med öppen källkod att bygga på betyder ” vi skulle inte ha kommit på det här för fem -sex år sedan. ” Samtidigt registrerar Cadence patent på Cerebrus -programmet och investerar i dess fortsatta utveckling.
På frågan om programmet kommer att ersätta mänskliga uppfinningar sa Kittrell att det fortfarande finns utrymme för att föreställa sig möjligheter som inte ens finns.
Du kanske har hört talas om Googles senaste arbete med djupinlärning för att lösa problemet med att hitta en bra planlösning för kretslayout. Kittrell, som känner till författarna till verket, betraktar Google -verket som en “inspiration”, men förutspår att det inte kommer att ersätta mänskliga ingenjörer med hjälp av verktyg.
“Efterfrågan på ingenjörer just nu är genom taket”, sa Kittrell, “och vi kommer att göra det möjligt för människor att få arbete med de ingenjörer de har nu, snarare än att lägga någon på brödet line.
Han tillade: “Vi jämför gärna pojkarna på Google.”
Relaterade ämnen:
Hardware Digital Transformation CXO Internet of Things Innovation Enterprise Programvara 