Un concepteur de puces informatiques doit penser à beaucoup de choses, comme les arbres d'horloge.
“Chaque fois que vous mettez dans l'arbre de l'horloge, c'est une étape très difficile”, a déclaré à ZDNet Kam Kittrell, directeur principal du groupe de gestion des produits chez Cadence Design Systems, l'un des principaux constructeurs d'outils pour les concepteurs de puces, dans une interview via Zoom.
Le sujet de la discussion était ce que Cadence appelle son Cerebrus Intelligent Chip Explorer, un nouveau logiciel destiné à aider les concepteurs de puces en utilisant l'apprentissage automatique pour automatiser certaines des étapes impliquées.
Cerebrus fait partie de la chaîne d'outils, comme on l'appelle, que Cadence vend qui va d'un langage de très haut niveau “jusqu'au dernier via et fil”, comme le dit Kittrell, les parties individuelles d'une puce. C'est comme une chaîne de montage automobile de centaines d'étapes, comme il le note, et Cerebrus insère un nouveau segment dans cette chaîne de montage qui reprend une partie du travail manuel d'un concepteur et l'automatise avec des routines d'apprentissage automatique.
Cadence affirme que Cerebrus peut augmenter la productivité des concepteurs de puces humaines d'un ordre de grandeur tout en augmentant les trois principales mesures de la qualité des puces – les performances, l'efficacité énergétique et la compacité de la zone carrée – jusqu'à 20%. Ces trois mesures sont généralement appelées « PPA », puissance, performances, surface.
Cerebrus fonctionne sur AWS et d'autres plates-formes cloud, mais peut également être exécuté sur site.
Aussi : L'apprentissage en profondeur de Google trouve un chemin critique dans les puces d'IA
L'impulsion pour l'outil est le fait que la complexité des puces est accélérée en même temps que la fabrication des puces est confrontée à des contraintes physiques de plus en plus difficiles dans la décomposition de la loi de Moore proche de l'échelle atomique.
“Il y a quelques années, c'était les téléphones portables qui guidaient la conception des puces, puis le cloud est arrivé, puis il y a la 5G et l'IA”, c'est ainsi que Kittrell a résumé la marche des technologies devant être intégré sur puce. “Et les constructeurs automobiles disent qu'ils ont besoin de la 5G et de l'IA ensemble, et les puces deviennent de plus en plus difficiles à concevoir.”
Avec le rétrécissement des transistors à des dimensions de trois milliardièmes de mètre dans les pièces conçues par Apple et Intel et d'autres, et le regroupement de plusieurs milliards de ces transistors dans une zone mesurant peut-être seulement quelques millimètres carrés, satisfaisant tous ces AI et les capacités 5G en une seule partie selon les exigences du PPA sont intimidantes.
“Nous avons plusieurs vecteurs qui se réunissent, et cela devient de plus en plus difficile à mesure que nous pénétrons dans des nœuds technologiques plus profonds”, a déclaré Kittrell.
Le secret du fonctionnement de Cerebrus est que la chaîne d'outils est déjà “très algorithmique”, a déclaré Kittrell. Les ingénieurs ont déjà l'habitude des calculs multivariés pour arriver à des solutions optimales. “Ce sont des problèmes mathématiques très difficiles à résoudre.”
Pour essayer différentes solutions à ces problèmes, les programmeurs font des expériences.
“Vous prenez un milliard d'instances d'une netlist”, les descriptions de la machine des pièces qui s'emboîtent pour former un circuit, “et elles sont toutes connectées ensemble”, et le problème d'optimisation est l'un des ” où vous les placez afin de réduire la distance de connectivité, comment vous les connectez avec cinq couches de métal », a-t-il déclaré.
Les meilleurs programmeurs peuvent exécuter trois à cinq expériences à tout moment, a déclaré Kittrell. Cerebras peut courir 50 à 100 simultanément.
“Vous lui donnez un vecteur, de quoi vous souciez-vous”, parmi les PPA, a expliqué Kittrell. Cerebrus “peut trouver rapidement une bonne voie vers une solution”. Un ingénieur peut maintenir une variable constante, telle que la surface de la puce, et demander à Cerebrus d'expérimenter les autres métriques. À la fin des expériences, Cerebrus rejouera les expériences pour montrer chaque étape de l'optimisation, et un ingénieur peut utiliser n'importe quel point le long de cette chaîne d'étapes comme nouveau point de départ pour une nouvelle optimisation.
Les optimisations peuvent également être enregistrées, afin qu'un client puisse constituer une bibliothèque d'optimisations qui deviendront ensuite une base pour un travail futur.
Les clients de Cadence, tels que Renesas of Japan, qui fabrique des puces industrielles et automobiles, ainsi que la division de fabrication de puces sous contrat de Samsung, déclarent que Cerebrus a contribué à améliorer le PPA de leurs puces, et les ingénieurs productivité.
Le courage de fabriquer Cerebrus est ce qu'on appelle l'apprentissage par renforcement. Cependant, Kittrell a refusé de préciser les détails de l'approche RL. “Nous ne révélons pas beaucoup de détails à part qu'il s'agit de ML avec des capacités d'apprentissage par renforcement”, a-t-il déclaré, notant que le domaine de l'IA dans la conception de puces est “un domaine hautement concurrentiel en ce moment”.
Cadence a évidemment accumulé une mine de connaissances spécifiques sur le processus de conception de puces, et qui peuvent servir à informer le RL.
Ce qui nous amène aux arbres d'horloge.
Au cas où vous ne le sauriez pas, les arbres d'horloge sont un moyen par lequel le battement de tambour fondamental d'une puce informatique, le signal d'horloge oscillant qui maintient la cadence des opérations, est distribué dans les circuits de la puce.
Le problème est que faire un bon arbre d'horloge n'est pas quelque chose qui peut être fait de manière isolée. Idéalement, cela peut être fait en combinaison avec de nombreuses autres variables, de manière holistique, pour résoudre le problème PPA. “Il est très difficile d'obtenir un bon arbre d'horloge, mais parfois vous ne savez pas s'il est bon jusqu'à ce que le reste de la puce soit terminé”, a expliqué Kittrell.
Avec l'aide du RL de Cerebrus, la fréquence d'horloge peut devenir une seule variable intégrée pour créer la meilleure puce possible.
Les modèles RL que Cerebrus utilise ne sont généralement pas entraînés d'une manière particulière à l'avance, car “tout ce que j'ai pré-formé peut être comme un vase de cristal, y mettre une puce et tout est ruiné”, étant donné le grand nombre de variables , expliqua Kittrell. « Donc, l'exigence est que même sans formation, nous devrions être en mesure de trouver des solutions rapidement. »
Également : Google a utilisé l'IA pour gamifier la conception de puces informatiques
Au en même temps, les résultats des expériences précédentes peuvent être adaptés à un nouvel ensemble de variables.
Interrogé sur la quantité de Cerebrus conçue en interne, Kittrell a observé, “bien sûr, nous sommes sur les épaules de beaucoup de bonnes technologies”, expliquant que la richesse des logiciels open source facilement disponibles sur lesquels construire signifie ” nous n'aurions pas imaginé cela il y a cinq ou six ans.” Parallèlement, Cadence dépose des brevets sur le programme Cerebrus et investit dans la poursuite de son développement.
A la question de savoir si le programme remplacera l'invention humaine, Kittrell a déclaré qu'il y avait encore de la place pour imaginer des possibilités qui n'existent même pas.
Vous avez peut-être entendu parler des récents travaux de Google utilisant l'apprentissage en profondeur pour résoudre le problème de l'élaboration d'un bon plan d'étage pour la disposition des circuits. Kittrell, qui connaît les auteurs du travail, considère le travail de Google comme une “inspiration”, mais prédit qu'il ne remplacera pas les ingénieurs humains utilisant des outils.
“La demande d'ingénieurs en ce moment atteint le plafond”, a déclaré Kittrell, “et nous allons permettre aux gens de travailler avec les ingénieurs qu'ils ont maintenant, plutôt que de mettre n'importe qui sur le pain ligne.
Il a ajouté : “Nous serions ravis de comparer avec les gars de Google.”
Sujets connexes :
Transformation numérique du matériel CXO Internet des objets Innovation Entreprise Logiciel 