“Margin er i hovedsak en risikoberegning, og det er en ren umulig ting å gjøre for en menneskelig.” forklarer Aart de Geus, administrerende direktør i chipdesigner -programvareprodusenten Synopsys. “En maskin vil optimalisere alt. Alt.”
Kunstig intelligens blir i økende grad utnyttet i utformingen av halvledere, og en av fordelene er at AI -teknologi vil utforske designavveier som mennesker ville nekter å engang vurdere.
Tenk for eksempel på begrepet margin. Designere vil legge igjen en feilmargin når de plasserer kretser på en brikke, for å forutse produksjonsfeil som for eksempel kan kaste av tidspunktet for et signal som går rundt brikken. Et menneske ønsker å etterlate så liten feilmargin som mulig. En maskin blir dristigere.
“Margin er i hovedsak en risikoberegning, og det er en ren umulig ting å gjøre for et menneske,” forklarer Aart de Geus, administrerende direktør i chipdesigner -programvareprodusenten Synopsys.
“En maskin vil optimalisere alt, alt. “
De Geus snakket med ZDNet i forkant av en hovedtale han holdt mandag på den årlige Hot Chips -datamaskinbrikkekonferansen for avansert databehandling. Konferansen arrangeres praktisk talt i år.
Også: AI på benken: Cadence tilbyr maskinlæring for å glatte chipdesign
De Geus forklarte ZDNet en utvidelse av AI -teknologi i selskapets programvare som har vært flere år under utvikling.
Programmet, kalt DSO.ai, ble først introdusert for et år siden i mai. Det programmet var opprinnelig i stand til å optimalisere utformingen av kretser i grunnplanen til brikken, måten det todimensjonale området brukes på.
Temaet for de Geus 'hovedtalen på mandag er hvordan Synopsys er utvide utover den fysiske layoutoptimaliseringen av en brikke for å optimalisere andre faktorer.
Den ene er det som kalles arkitektur. En brikkearkitektur refererer til hvilke typer kretser og hva slags funksjonelle blokker som skal brukes på brikken, for eksempel aritmetiske logiske enheter, cacher, registre og rørledninger.
“Ganske nylig gikk vi nå til begynnelsen av mikroarkitektoniske beslutninger, og for eksempel kan vi nå også optimalisere plantegningen og tidsplanen,” sa de Geus.
I tillegg til fysisk kretsoppsett og arkitektoniske beslutninger, jobber Synopsys nå med en tredje vektor for optimalisering, det som kalles det funksjonelle aspektet eller oppførselen til brikken.
Også: Fremtiden for brikkefremstilling for å støtte mye på AI for å oppdage defekter, sier Applied Materials
Det inkluderer å utvikle en en slags tilbakemeldingssløyfe der programvaren som til slutt vil bli kjørt av brikken, er modellert som en variabel for å optimalisere den logiske og fysiske designen.
“Et gjennombrudd som jeg ærlig trodde ikke kom til å bli lett gjennomførbart, er at vi nå også har en evne til å se på programvaren som skal kjøres på brikken, gjøre en analyse av de forventede toppene for bruk, de varme strømmomentene, og optimalisere brikken mot det, “forklarte de Geus.
Det endelige målet er å sette noen nødvendigheter for brikkedesignprogrammet og la det finne ut av alt selv.
“Start med spesifikasjonene til brikken, ta noen arkitektoniske beslutninger, vi automatiserer resten”, er hvordan de Geus liker å beskrive visjonen.
Ved første gangs bruk av de tre vektorene sa de Geus at Synopsys har sett en “hyper-scaler-chip”, den typen ting som ville bli brukt i et datasenter for massive typer beregninger-inkludert AI-som kunne ha sin strømforbruket redusert med 27%.
“Strømmen ble redusert, men nå når du kan nå inn i programvaren, er du i en annen liga, fordi strømreduksjon har alltid vært vanskelig, men det er så ekstremt utfordrende å anslå det,” sa de Geus. Chips er som en kran: når de er inaktiv, kan de ha små drypp, lekkasje, noe som er en relativt stabil ting å måle, sa han. Men den dynamiske kraften, i likhet med å skru av og på en kran, har langt mindre forutsigbarhet.
“Kraft er etter min mening den eneste vanskeligste fysiske egenskapen til alt vi gjør,” sa de Geus. “Fordi det bokstavelig talt går fra selve materialet som brukes i produksjonen, konfigurasjonen av en enkelt transistor, og så videre, helt til applikasjonsdomenet.”
Samsung er den første Synopsys -kunden som sa at de har produsert en brikke som ble optimalisert med DSO.ai -programvaren.
Synopsys verktøy er avhengig av en form for maskinlæring kjent som forsterkningslæring. Denne teknologien ble brukt av Googles DeepMind -enhet med stor effekt for å oppnå Alpha Zero -programmet som slo alle menneskelige spillere i 2016 på spillene Go og sjakk.
I løpet av de siste to årene har Google utvidet maskinlæring til chipdesignautomatisering, men bare innen den første vektoren som ble nevnt, det fysiske oppsettet. “Google ser på plasseringsdelen, det vi optimaliserer for er ikke plassering, men syntese og timing og fysisk og testoptimalisering,” sa de Geus. “Kompleksiteten er veldig stor” i chipdesign, understreket han, og etterlot mye plass til å utforske optimaliseringer.
Slik automatisering via maskinlæring sprer seg til alle deltakere i halvledere. Cadence Design, Synopsys erkerival, har diskutert hvordan Cerebrus-verktøyet kan gi forbedringer på 20% eller mer til brikkeytelse, strømforbruk og arealutnyttelse.
Og Applied Materials, verdens største produsent av halvlederproduksjonsverktøy etter inntekt, presenterte i år SEMVision, et program for defektinspeksjon som bruker maskinlæring for å klassifisere typer feil på en silisiumskive på en måte som tilpasser seg ny informasjon.
For de Geus er spredningen av AI gjennom verktøykjeden for chipdesign en naturlig konsekvens av AIs spredning over hele verden. I en slags gigantisk tilbakemeldingssløyfe øker spredningen av data, som er muliggjort av raskere sjetonger, aktiviteten med å bruke disse brikkene for å analysere alt, noe som igjen skaper større etterspørsel etter hastighet, noe som setter ytterligere pressbrikkeprodusenter for å forbedre ytelsen.
“Jeg har alltid følt at Moores lov var det ultimate opp-presset-plutselig kan du gjøre ting du ikke kunne gjøre før,” sa de Geus. “Nå sier folk, jeg gjør litt maskinlæring, noe som er flott, men hvorfor er sjetongene dine så hunde-trege!”
Resultatet, sa han, er “Nå er dette fjellet [av Moores lov] supplert med det motsatte, som er denne trakten ned -et teknologisk press til et -økonomisk trekk,” sa han og refererte til det økonomiske trekket til folk som ønsker å gjøre mer for å forbedre forretningsresultatene.
Presset av push and pull kan AI være måten å finne nye løsninger for å bryte flaskehalsen, akkurat som Alpha Zero fant løsninger som mennesker aldri så i sjakk til tross for reglene vært tydelig i tusenvis av år.
“For meg er de ikke overraskende, men for meg er de interessante,” sa de Geus om AI -tilnærmingen til design.
“Når du optimaliserer alt, reduserer du marginen i alt,” forklarte de Geus. “Bortsett fra, det er mange steder på brikken hvor du faktisk kan øke marginen, og det gjør statistisk sett avkastningen høyere.”
Utbytte betyr hvor mange gode chips som kan fås fra en enkelt silisiumskive, det viktige økonomiske spørsmålet for alle chipprodusenter og deres leverandører, for eksempel Taiwan Semiconductor Manufacturing.
En større feilmargin er et godtgjørelse for større risiko , men risiko er igjen noe mennesker synes er vanskelig og ofte uakseptabelt.
Det inkluderer “risiko der de [menneskene] ikke vet hva avhengighetene er til de andre delene av designet,” sa de Geus.
må lese
Etikk for AI: Fordeler og risiko ved kunstig intelligens
Den økende omfanget av AI øker innsatsen for store etiske spørsmål.
Les mer
Relaterte emner:
Digital Transformation CXO Internet of Things Innovation Enterprise Software Smart Cities 