“Margen er i det væsentlige en risikoberegning, og det er en ren umulig ting at gøre for et menneske.” forklarer Aart de Geus, administrerende direktør for chip-design software maker Synopsys. “En maskine vil optimere alt, alt.”
Kunstig intelligens bliver i stigende grad udnyttet i design af halvledere, og en af dens fordele er, at AI-teknologi vil undersøge designafvejninger, som mennesker ville nægte at overveje.
Overvej f.eks. Begrebet margin. Designere vil efterlade en fejlmargin, når de placerer kredsløb på en chip for at foregribe fejl i fremstillingen, der f.eks. Kan smide timingen af et signal, der går rundt om chippen. Et menneske ønsker at efterlade en så stor fejlmargin som muligt. En maskine vil være federe.
“Margen er i det væsentlige en risikoberegning, og det er en umulig ting at gøre for et menneske,” forklarer Aart de Geus, administrerende direktør for chip-design softwareproducent Synopsys.
“En maskine vil optimere alt, alt.” Det betyder, at en maskine vil tage risici og indsnævre fejlmargen ud over, hvad mennesker anser for acceptabelt.
De Geus talte med ZDNet forud for en hovedtale, han holder mandag på den årlige Hot Chips -computerchipkonference for avanceret computing. Konferencen afholdes stort set i år.
Også: AI på bænken: Cadence tilbyder maskinlæring til at glatte chipdesign
De Geus forklarede ZDNet en udvidelse af AI -teknologi i virksomhedens software, der har været flere år undervejs.
Programmet, kaldet DSO.ai, blev først introduceret for et år siden i maj. Dette program var oprindeligt i stand til at optimere kredsløbets layout i grundplanen for chippen, den måde, hvorpå det todimensionelle område bruges.
Emnet for de Geus's hovedtal på mandag er, hvordan Synopsys er udvide ud over den fysiske layoutoptimering af en chip for at optimere andre faktorer.
Det ene er det, der kaldes arkitekturen. En chiparkitektur refererer til hvilke slags kredsløb og hvilke slags funktionelle blokke, der skal bruges på chippen, såsom aritmetiske logiske enheder, caches, registre og pipelines.
“Ret for nylig flyttede vi nu til begyndelsen på mikroarkitektoniske beslutninger, og så kan vi f.eks. nu også optimere grundplanen og tidsplanen,” sagde de Geus.
Udover fysisk kredsløbslayout og arkitektoniske beslutninger arbejder Synopsys nu på en tredje vektor til optimering, det der kaldes chipets funktionelle aspekt eller adfærd.
Også: Fremtiden for chipfremstilling til at læne sig stærkt på AI for at få øje på fejl, siger Applied Materials
Det omfatter udvikling af en en slags feedback loop, hvor den software, der i sidste ende vil blive kørt af chippen, er modelleret som en variabel, som man kan optimere det logiske og fysiske design på.
“Et gennembrud, som jeg helt ærligt troede ikke ville være let gennemførligt, er, at vi nu også har mulighed for at se på den software, der skal køre på chippen, foretage en analyse af de forventede stigninger i udnyttelsen, de varme strømmomenter, ”
“Start med chipens specifikationer, tag nogle arkitektoniske beslutninger, vi automatiserer resten”, er, hvordan de Geus kan lide at beskrive visionen.
Ved første brug af de tre vektorer sagde de Geus, at Synopsys har set en “hyper-scaler-chip”, den slags ting, der ville blive brugt i et datacenter til massive slags computere-herunder AI-der kunne have sin strømforbruget reduceret med 27%.
“Strømmen blev reduceret, men når du nu kan nå ind i softwaren, er du i en anden liga, fordi strømreduktion altid har været vanskelig, men det er så ekstremt udfordrende at estimere det,” sagde de Geus. Chips er som en vandhane: når de er inaktive, kan de have små dryp, lækageeffekt, hvilket er en relativt stabil ting at måle, sagde han. Men den dynamiske kraft, der ligner at tænde og slukke for en vandhane, har langt mindre forudsigelighed.
“Magt er efter min mening den eneste sværeste fysiske egenskab ved alt, hvad vi gør,” sagde de Geus. “Fordi det bogstaveligt talt går fra selve de materialer, der bruges til fremstilling, konfigurationen af en enkelt transistor og så videre, helt til applikationsdomænet.”
Samsung er den første Synopsys -kunde, der siger, at de har fremstillet en chip, der blev optimeret med DSO.ai -softwaren.
Synopsys værktøj er baseret på en form for maskinlæring kendt som forstærkningslæring. Denne teknologi blev brugt af Googles DeepMind -enhed med stor effekt til at opnå Alpha Zero -programmet, der slog alle menneskelige spillere i 2016 ved spil Go og skak.
I de sidste to år har Google udvidet maskinlæring til chipdesignautomatisering, men kun inden for den første nævnte vektor, det fysiske layout. “Google ser på placeringsdelen, og det, vi optimerer til, er ikke placering, men syntese og timing og fysisk og testoptimering,” sagde de Geus. “Kompleksiteten er meget stor” i chipdesign, understregede han og efterlod masser af plads til at udnytte optimeringer.
Sådan automatisering via maskinlæring breder sig til alle deltagere i halvledere. Cadence Design, Synopsys ærkerival, har diskuteret, hvordan dets Cerebrus-værktøj kan bringe forbedringer på 20% eller mere til chipydelse, strømforbrug og arealanvendelse.
Og Applied Materials, verdens største producent af halvlederfremstillingsværktøjer efter omsætning, afslørede i år SEMVision, et softwareprogram til fejl-inspektion, der bruger maskinlæring til at klassificere former for fejl på en siliciumskive på en måde, der tilpasser sig nye oplysninger.
For de Geus er spredningen af AI gennem værktøjskæden til chipdesign en naturlig konsekvens af AI's spredning over hele verden. I en slags kæmpe tilbagekoblingssløjfe fremskynder spredning af data, der er muliggjort af hurtigere chips, aktiviteten med at bruge disse chips til at analysere alt, hvilket igen skaber større efterspørgsel efter hastighed, hvilket sætter yderligere pres på chipproducenter for at forbedre ydeevnen .
“Jeg har altid følt, at Moores lov var det ultimative up-push-pludselig kan du gøre ting, du ikke kunne gøre før,” bemærkede de Geus. “Nu siger folk, jeg laver lidt maskinlæring, hvilket er fantastisk, men hvorfor er dine chips så hunde-langsomme!”
Resultatet, sagde han, er “Nu er dette bjerg [af Moores lov] suppleret med det modsatte, som er denne tragt ned -et teknologisk skub til et -onomisk træk,” sagde han og henviste til det økonomiske træk af mennesker, der ønsker at gøre mere for at forbedre forretningsresultaterne.
Presset af skub og træk, AI kunne være vejen til at finde nye løsninger til at bryde flaskehalsen, ligesom Alpha Zero fandt løsninger, som mennesker aldrig så i Go og skak trods reglerne er tydelige i hundreder eller tusinder af år.
“For mig er de ikke overraskende, men for mig er de interessante,” sagde de Geus om AI -tilgangen til design.
“Når du optimerer alt, reducerer du marginen i alt,” forklarede de Geus. “Undtagen er der masser af steder på chippen, hvor du faktisk kan øge margenen, og det gør statistisk set dit udbytte højere.”
Udbytte betyder, hvor mange gode chips der kan hentes fra en enkelt siliciumskive, det væsentlige økonomiske spørgsmål for alle chipproducenter og deres leverandører såsom Taiwan Semiconductor Manufacturing.
En snævrere fejlmargin er en godtgørelse for større risiko , men risiko er igen noget, mennesker finder hårdt og ofte uacceptabelt.
Det inkluderer “risici, hvor de [mennesker] ikke ved, hvad afhængighederne er til de andre dele af designet,” sagde de Geus.
skal læse
AIs etik: Fordele og risici ved kunstig intelligens
Den stigende AI -skala øger indsatsen for store etiske spørgsmål.
Læs mere
Relaterede emner:
Digital Transformation CXO Internet of Things Innovation Enterprise Software Smart Cities 