En designer av databrikker må tenke på mange ting, for eksempel klokketrær.
“Når du setter inn klokketreet, er det et veldig vanskelig skritt,” sa Kam Kittrell, senior produktledelsesgruppedirektør i Cadence Design Systems, en av de viktigste verktøybyggerne for chipdesignere, til ZDNet i et intervju via Zoom.
Temaet for diskusjonen var det Cadence kaller sin Cerebrus Intelligent Chip Explorer, et nylig utgitt program som er ment å hjelpe brikkedesignere ved å bruke maskinlæring for å automatisere noen av trinnene som er involvert.
Cerebrus er en del av verktøykjeden, som det kalles, at Cadence selger det som går fra et språk på veldig høyt nivå “ned til siste via og wire”, som Kittrell sier, de enkelte delene av en brikke. Det er som en bilmonteringslinje på hundrevis av trinn, som han noterer seg, og Cerebrus setter inn et nytt segment i samlebåndet som tar over noe av håndarbeidet til en designer og automatiserer det med maskinlæringsrutiner.
Cadence hevder Cerebrus kan øke menneskelige brikkedesigneres produktivitet med en størrelsesorden, samtidig som de tre hovedmålingene for brikkvalitet – ytelse, energieffektivitet og hvor kompakt kvadratområdet er – øker med så mye som 20%. De tre beregningene blir vanligvis referert til som “PPA”, effekt, ytelse, område.
Cerebrus kjører på AWS og andre skyplattformer, men kan også kjøres på stedet.
Også: Googles dype læring finner en kritisk vei i AI -brikker
Drivkraften for verktøyet er det faktum at flisekompleksiteten akselereres samtidig som flisproduksjonen står opp mot stadig mer utfordrende fysiske begrensninger i nedbrytningen av Moores lov nær atomskalaen.
“For noen år siden var det mobiltelefoner som driver chipdesign, og så kom skyen, og så er det 5G på toppen av det, og AI,” er hvordan Kittrell oppsummerte marsjen av teknologier som må integreres på brikken. “Og bilprodusenter sier at de trenger 5G og AI sammen, og sjetongene blir bare vanskeligere og vanskeligere å designe.”
Med krymping av transistorer til dimensjoner på tre milliarder av en meter i delene som er designet av Apple og Intel og andre, og pakking av flere milliarder av disse transistorene i et område som måler kanskje bare et par kvadrat millimeter, tilfredsstiller alle de AI og 5G -evner i en enkelt del i henhold til PPA -kravene er skremmende.
“Vi har flere vektorer som kommer sammen, og det blir vanskeligere og vanskeligere etter hvert som vi går inn i dypere teknologinoder,” sa Kittrell.
Hemmeligheten til hvorfor Cerebrus fungerer er at verktøykjeden allerede er “veldig algoritmisk”, sa Kittrell. Ingeniører har allerede for vane å beregne flere varianter for å komme frem til optimale løsninger. “Dette er virkelig tøffe matteintensive oppgaver å løse.”
For å prøve forskjellige løsninger på disse problemene, kjører programmerere eksperimenter.
“Du tar en milliard forekomster av en nettliste,” maskinens beskrivelser av delene som passer sammen for å lage en krets, “og de er alle sammenkoblet,” og optimaliseringsproblemet er en av ” hvor du plasserer dem for å redusere tilkoblingsavstanden, hvordan du kobler dem med fem lag metall, “sa han.
De beste programmererne kan kjøre tre til fem eksperimenter når som helst, sa Kittrell. Cerebras kan kjøre 50 til 100 samtidig.
“Du gir den en vektor, hva bryr du deg om,” blant PPA, forklarte Kittrell. Cerebrus “kan raskt finne en god vei til en løsning.” En ingeniør kan holde en variabel konstant, for eksempel brikkeområde, og få Cerebrus til å eksperimentere med de andre beregningene. På slutten av eksperimentene vil Cerebrus spille av eksperimenter på nytt for å vise hvert trinn i optimaliseringen, og en ingeniør kan bruke et hvilket som helst punkt langs trinnkjeden som et nytt utgangspunkt for en ny optimalisering.
Optimaliseringene kan også lagres, slik at en kunde kan samle et bibliotek med optimaliseringer som deretter blir et grunnlag for fremtidig arbeid.
Cadence-kunder, for eksempel Renesas fra Japan, som lager industri- og bilbrikker, samt avdelingen for kontraktfremstilling av Samsung, sier at Cerebrus har bidratt til å forbedre PPA for sjetonger og ingeniører produktivitet.
Tarm til å lage Cerebrus er det som kalles forsterkningslæring. Kittrell nektet imidlertid å spesifisere detaljer om RL -tilnærmingen. “Vi avslører ikke mange detaljer annet enn at det er ML med forsterkningslæringsevner,” sa han og bemerket at AI -feltet innen chipdesign er “et svært konkurransedyktig område akkurat nå.”
Cadence har tydeligvis samlet et vell av spesifikk kunnskap om prosessen med chipdesign, og det kan tjene til å informere RL.
Som bringer oss til å klokke trær.
I tilfelle du ikke visste det, er klokketrær en måte at den grunnleggende trommeslaget på en datamaskinbrikke, det oscillerende klokkesignalet som opprettholder operasjonsfrekvensen, distribueres gjennom brikkens kretser.
Problemet er at det å lage et godt klokketre ikke er noe som kan gjøres isolert. Ideelt sett kan det gjøres i kombinasjon med mange andre variabler, på en slags helhetlig måte, for å løse PPA -problemet. “Det er veldig vanskelig å få inn et godt klokke -tre, men du vil ikke bare ha det beste resultatet til slutt,” forklarte Kittrell.
Med hjelp fra Cerebrus RL kan klokkefrekvensen bli bare en variabel pakket inn for å gjøre den beste brikken mulig.
RL-modellene som Cerebrus bruker blir vanligvis ikke trent på en bestemt måte på forhånd, fordi “alt jeg forhåndstrener kan være som en krystallvase, legg en brikke i den og det hele blir ødelagt,” gitt det store antallet variabler , forklarte Kittrell. “Så kravet er at selv uten opplæring skal vi kunne finne løsninger raskt.”
Også: Google har brukt AI til å gamify utformingen av brikker
På samtidig kan resultatene fra tidligere eksperimenter tilpasses et nytt sett med variabler.
På spørsmål om hvor mye av Cerebrus som ble designet internt, observerte Kittrell, “selvfølgelig står vi på skuldrene til mye god teknologi”, og forklarer at mengden av lett tilgjengelig åpen kildekode-programvare som vi kan bygge på betyr ” vi ville ikke ha funnet på dette for fem -seks år siden. ” Samtidig registrerer Cadence patenter på Cerebrus -programmet og investerer i den videre utviklingen.
På spørsmål om programmet vil erstatte menneskelig oppfinnelse, sa Kittrell at det fortsatt er rom for å forestille seg muligheter som ikke engang eksisterer.
Du har kanskje hørt om Googles siste arbeid med dyp læring for å løse problemet med å lage en god planløsning for kretsoppsett. Kittrell, som kjenner forfatterne av verket, anser Google -verket som en “inspirasjon”, men spår at det ikke vil erstatte menneskelige ingeniører med verktøy.
“Etterspørselen etter ingeniører akkurat nå er gjennom taket,” sa Kittrell, “og vi vil gjøre det mulig for folk å få utført arbeid med ingeniørene de har nå, i stedet for å sette noen på brødet line.
Han la til: “Vi vil gjerne sette en benchmark mot gutta på Google.”
Relaterte emner:
Hardware Digital Transformation CXO Internet of Things Innovation Enterprise Programvare 