“Marginal är i huvudsak en riskberäkning, och det är en omöjlig sak att göra för en människa.” förklarar Aart de Geus, verkställande direktör för chip-design mjukvarutillverkaren Synopsys. “En maskin kommer att optimera allt, allt.”
Konstgjord intelligens används alltmer vid design av halvledare, och en av dess fördelar är att AI-teknik kommer att utforska designavvägningar som människor skulle vägra att ens överväga.
Tänk till exempel på begreppet marginal. Designers kommer att lämna en marginal för fel när de placerar kretsar på ett chip, för att förutse fel i tillverkningen som till exempel kan slänga tidpunkten för en signal som tar sig runt chipet. En människa vill lämna en så stor marginal för fel som möjligt. En maskin blir djärvare.
“Marginal är i huvudsak en riskberäkning, och det är en omöjlig sak att göra för en människa”, förklarar Aart de Geus, verkställande direktör för chip-design mjukvarutillverkaren Synopsys.
“En maskin kommer att optimera allt, allt.” Det betyder att en maskin kommer att ta risker och förminska felmarginalen utöver vad människor anser vara acceptabelt.
De Geus talade med ZDNet inför en huvudtal han höll på måndagen vid den årliga Hot Chips -datorkortkonferensen för avancerad databehandling. Konferensen hålls praktiskt taget i år.
Också: AI på bänken: Cadence erbjuder maskininlärning för att smidiga chipdesign
De Geus förklarade för ZDNet en utbyggnad av AI -teknik i företagets programvara som har tagit flera år.
Programmet, kallat DSO.ai, introducerades första gången för ett år sedan i maj. Det programmet kunde ursprungligen optimera kretsarnas layout i chipets planritning, det sätt som det tvådimensionella området används på.
Ämnet för de Geus huvudtal på måndag är hur Synopsys är expandera bortom den fysiska layoutoptimeringen av ett chip för att optimera andra faktorer.
En är vad som kallas arkitektur. En chiparkitektur avser vilka typer av kretsar och vilka typer av funktionsblock som ska användas på chipet, till exempel aritmetiska logiska enheter, cacheminne, register och pipelines.
“Ganska nyligen gick vi nu till början av mikroarkitektoniska beslut, och så kan vi till exempel nu också optimera planlösningen och klockan”, säger de Geus.
Förutom fysisk kretslayout och arkitektoniska beslut arbetar Synopsys nu med en tredje vektor för optimering, det som kallas den funktionella aspekten eller beteendet hos chipet.
Också: Framtiden för chipstillverkning för att luta starkt på AI för att upptäcka defekter, säger Applied Materials
Det inkluderar att utveckla en typ av återkopplingsslinga där den programvara som i slutändan kommer att drivas av chipet är modellerad som en variabel mot vilken man kan optimera den logiska och fysiska designen.
“Ett genombrott som jag uppriktigt trodde inte skulle vara lätt att göra är att vi nu också har möjlighet att titta på programvaran som ska köras på chipet, göra en analys av de förväntade spikarna i utnyttjandet, de heta kraftmomenten, och optimera chipet mot det, “förklarade de Geus.
Det slutliga målet är att ställa in vissa krav för chipdesignprogrammet och låta det räkna ut allt själv.
“Börja med chipets specifikationer, fatta några arkitektoniska beslut, vi automatiserar resten”, är hur de Geus gillar att beskriva visionen.
Vid första användningen av de tre vektorerna sa de Geus att Synopsys har sett ett “hyperskalare-chip”, den typen av saker som skulle användas i ett datacenter för massiva typer av beräkningar-inklusive AI-som kunde ha sin energiförbrukningen minskade med 27%.
“Strömmen minskades, men nu när du kan nå in i programvaran är du i en annan liga, eftersom effektreduktion alltid har varit svårt, men det är så extremt utmanande att uppskatta det”, sa de Geus. Chips är som en kran: när de är lediga kan de ha små dropp, läckage, vilket är en relativt stabil sak att mäta, sa han. Men den dynamiska kraften, i likhet med att slå på och stänga av en kran, har mycket mindre förutsägbarhet.
“Kraft är enligt min mening den enskilt svåraste fysiska egenskapen för allt vi gör”, sa de Geus. “Eftersom det bokstavligen går från själva naturen hos de material som används vid tillverkning, konfigurationen av en enda transistor, och så vidare, hela vägen till applikationsdomänen.”
Samsung är den första Synopsys -kunden som säger att de har tillverkat ett chip som optimerats med DSO.ai -programvaran.
Synopsys verktyg bygger på en form av maskininlärning som kallas förstärkningslärande. Den tekniken användes av Googles DeepMind -enhet med stor effekt för att uppnå Alpha Zero -programmet som slog alla mänskliga spelare 2016 vid Go och schackspel.
Under de senaste två åren har Google utökat maskininlärning till chipdesignautomation, men bara inom den första nämnda vektorn, den fysiska layouten. “Google tittar på placeringsdelen, och det vi optimerar för är inte placering utan syntes och timing och fysisk och testoptimering”, sa de Geus. “Komplexiteten är mycket stor” i chipdesign, betonade han och lämnade gott om utrymme för att utnyttja optimeringar.
Sådan automatisering via maskininlärning sprider sig till alla deltagare i halvledare. Cadence Design, Synopsys ärkerival, har diskuterat hur dess Cerebrus-verktyg kan ge förbättringar på 20% eller mer till chipprestanda, strömförbrukning och areautnyttjande.
Och Applied Materials, världens största tillverkare av halvledartillverkningsverktyg efter intäkter, presenterade i år SEMVision, ett program för defektinspektion som använder maskininlärning för att klassificera typer av defekter på en kiselskiva på ett sätt som anpassar sig till ny information.
För de Geus är spridningen av AI genom verktygskedjan för chipdesign en naturlig följd av AI: s spridning över hela världen. I en slags jätteåterkopplingsslinga påskyndar spridningen av data, möjliggjord av snabbare chips, aktiviteten att använda dessa marker för att analysera allt, vilket i sin tur skapar större efterfrågan på hastighet, vilket sätter ytterligare press på chipstillverkarna för att förbättra prestanda .
“Jag har alltid känt att Moores lag var den ultimata uppskjutningen-plötsligt kan du göra saker du inte kunde göra tidigare”, konstaterade de Geus. “Nu säger folk, jag gör lite maskininlärning, vilket är bra, men varför är dina marker så långsamma!”
Resultatet, sa han, är “Nu bereds detta berg [av Moores lag] av det motsatta, vilket är denna tratt ner -en teknikdrivning till ett -onomiskt drag”, sade han och hänvisade till det ekonomiska dragandet av människor som vill göra mer för att förbättra affärsresultatet.
Tryckt av push and pull kan AI vara sättet att hitta nya lösningar för att bryta flaskhalsen, precis som Alpha Zero hittade lösningar som människor aldrig såg i Go and schack trots reglerna är uppenbara i hundratals eller tusentals år.
“För mig är de inte förvånande, men för mig är de intressanta”, säger de Geus om AI -strategin för design.
“När du optimerar allt minskar du marginalen i allt”, förklarade de Geus. “Förutom att det finns gott om platser på chipet där du faktiskt kan öka marginalen, och det gör statistiskt sett din avkastning högre.”
Utbyte betyder hur många bra chips som kan fås från en enda kiselskiva, den väsentliga ekonomiska frågan för alla chipstillverkare och deras leverantörer, till exempel Taiwan Semiconductor Manufacturing.
En smalare felmarginal är ett tillägg för större risk , men risk är återigen något som människor tycker är svårt och ofta oacceptabelt.
Det inkluderar “risker där de [människorna] inte vet vad beroenden är för de andra delarna av designen”, sa de Geus.
måste läsa
Etik för AI: Fördelar och risker med artificiell intelligens
Den ökande omfattningen av AI ökar insatserna för stora etiska frågor.
Läs mer
Relaterade ämnen:
Digital Transformation CXO Internet of Things Innovation Enterprise Software Smart Cities 