En designer af computerchips skal tænke over mange ting, f.eks. Uretræer.
“Når du sætter uret i, er det et meget vanskeligt skridt,” sagde Kam Kittrell, senior product management group director hos Cadence Design Systems, en af de vigtigste værktøjsbyggere til chipdesignere, til ZDNet i et interview via Zoom.
Emnet for diskussionen var, hvad Cadence kalder sin Cerebrus Intelligent Chip Explorer, et nyligt udgivet softwareprogram, der skal hjælpe chipdesignere ved at bruge maskinlæring til at automatisere nogle af de involverede trin.
Cerebrus er en del af værktøjskæden, som det kaldes, at Cadence sælger, der går fra et sprog på meget højt niveau “ned til det sidste via og wire”, som Kittrell udtrykker, de enkelte dele af en chip. Det er som en bilsamlebånd med hundredvis af trin, som han bemærker, og Cerebrus indsætter et nyt segment i samlebåndet, der overtager noget af en designer håndarbejde og automatiserer det med maskinlæringsrutiner.
Cadence hævder, at Cerebrus kan øge menneskelige chipdesigneres produktivitet med en størrelsesorden, samtidig med at de tre hovedmetrics for chipkvalitet – ydeevne, energieffektivitet og hvor kompakt kvadratområdet er – øges med op til 20%. Disse tre metrics kaldes typisk “PPA”, effekt, ydeevne, område.
Cerebrus kører på AWS og andre cloudplatforme, men kan også køre på stedet.
Også: Googles dybe læring finder en kritisk vej i AI -chips
Impulsen til værktøjet er den kendsgerning, at chipkompleksiteten accelereres samtidig med, at chipfremstilling er i modstrid med stadig mere udfordrende fysiske begrænsninger i nedbrydningen af Moores lov tæt på atomskalaen.
“For et par år siden var det mobiltelefoner, der drev chipdesign, og så kom sky med, og så er der 5G oven på det, og AI,” er sådan, hvor Kittrell opsummerede marcherne af teknologier, der skulle integreres på chip. “Og bilproducenter siger, at de har brug for 5G og AI sammen, og chipsene bliver bare sværere og sværere at designe.”
Med krympning af transistorer til dimensioner på tre milliarder af en meter i delene, der er designet af Apple og Intel og andre, og pakning af flere milliarder af disse transistorer i et område, der måler måske kun et par kvadratmillimeter, tilfredsstiller alle disse AI og 5G -kapaciteter i en enkelt del i henhold til PPA -krav er skræmmende.
“Vi har flere vektorer, der kommer sammen, og det bliver sværere og sværere, når vi går ind i dybere teknologiknudepunkter,” sagde Kittrell.
Hemmeligheden bag hvorfor Cerebrus fungerer er, at værktøjskæden allerede er “meget algoritmisk”, sagde Kittrell. Ingeniører har allerede for vane at beregne flere varianter for at nå frem til optimale løsninger. “Det er virkelig hårde matematikintensive problemer at løse.”
For at prøve forskellige løsninger på disse problemer kører programmører eksperimenter.
“Du tager en milliard forekomster af en netlist”, maskinens beskrivelser af de dele, der passer sammen til at skabe et kredsløb, “og de er alle forbundet sammen,” og optimeringsproblemet er en af ” hvor du placerer dem for at reducere forbindelsesafstanden, hvordan du forbinder dem med fem lag metal, “sagde han.
De bedste programmører kan køre tre til fem eksperimenter på ethvert tidspunkt, sagde Kittrell. Cerebras kan køre 50 til 100 samtidigt.
“Du giver den en vektor, hvad er du ligeglad med,” blandt PPA, forklarede Kittrell. Cerebrus “kan hurtigt finde en god vej til en løsning.” En ingeniør kan holde en variabel konstant, f.eks. Chip -område, og få Cerebrus til at eksperimentere med de andre målinger. Ved afslutningen af eksperimenter vil Cerebrus afspille eksperimenter igen for at vise hvert trin i optimeringen, og en ingeniør kan bruge et hvilket som helst punkt langs denne trinkæde som et nyt udgangspunkt for en ny optimering.
Optimeringerne kan også gemmes, så en kunde kan samle et bibliotek med optimeringer, der derefter bliver et grundlag for fremtidigt arbejde.
Cadence-kunder, f.eks. Renesas fra Japan, der fremstiller industri- og bilchips samt divisionen for chipfremstilling af Samsung, siger, at Cerebrus har bidraget til at forbedre PPA'en for deres chips og ingeniørers produktivitet.
Modet til at lave Cerebrus er det, der er kendt som forstærkningslæring. Kittrell afviste imidlertid at specificere detaljer om RL -tilgangen. “Vi afslører ikke mange detaljer bortset fra, at det er ML med forstærkningslæringsevner,” sagde han og bemærkede, at AI -feltet inden for chipdesign er “et yderst konkurrencedygtigt område lige nu.”
Cadence har naturligvis samlet et væld af specifik viden om processen med chipdesign, og det kan tjene til at informere RL.
Hvilket bringer os til uretræer.
Hvis du ikke vidste det, er klokketræer en måde, hvorpå den grundlæggende trommeslag på en computerchip, det oscillerende kloksignal, der opretholder kadence for operationer, fordeles gennem chipens kredsløb.
Problemet er, at det at lave et godt uretræ ikke er noget, der kan gøres isoleret. Ideelt set kan det gøres i kombination med mange andre variabler på en slags holistisk måde at løse PPA -problemet. “Det er meget svært at få et godt uretræ ind, men nogle gange ved man ikke, om det er godt, før resten af chippen er færdig,” forklarede Kittrell.
Med hjælp fra Cerebrus's RL kan urfrekvensen kun blive en variabel pakket til at gøre den bedst mulige chip.
De RL-modeller, som Cerebrus bruger, bliver normalt ikke trænet på en bestemt måde på forhånd, for “alt, hvad jeg har trænet på forhånd, kan være som en krystalvase, læg en chip i det, og det hele er ødelagt,” i betragtning af det store antal variabler , forklarede Kittrell. “Så kravet er, at selv uden uddannelse skal vi hurtigt kunne finde løsninger.”
Også: Google har brugt AI til at gamify designet af computerchips
På samtidig kan resultaterne af tidligere forsøg tilpasses et nyt sæt variabler.
Spurgt om, hvor meget af Cerebrus, der blev designet internt, observerede Kittrell, “selvfølgelig står vi på skuldrene af en masse god teknologi,” og forklarer, at rigdom af let tilgængelig open source-software, som vi kan bygge på, betyder ” vi ville ikke have fundet på dette for fem -seks år siden. ” Samtidig indgiver Cadence patenter på Cerebrus -programmet og investerer i dets fortsatte udvikling.
Spurgt om programmet vil erstatte menneskelig opfindelse, sagde Kittrell, at der stadig er plads til at forestille sig muligheder, der ikke engang eksisterer.
Du har måske hørt om Googles nylige arbejde ved hjælp af dyb læring til at løse problemet med at komme med en god grundplan for kredsløbslayout. Kittrell, der kender forfatterne til værket, betragter Google -værket som en “inspiration”, men forudser, at det ikke vil erstatte menneskelige ingeniører ved hjælp af værktøjer.
“Efterspørgslen efter ingeniører lige nu er gennem taget,” sagde Kittrell, “og vi vil gøre det muligt for folk at få udført arbejde med de ingeniører, de har nu, frem for at lægge nogen på brødet line.
Han tilføjede: “Vi benchmarker gerne mod gutterne på Google.”
Relaterede emner:
Hardware Digital Transformation CXO Internet of Things Innovation Enterprise Software 