“Marge is in wezen een risicoberekening, en dat is volkomen onmogelijk voor een menselijk.” legt Aart de Geus, chief executive van chipdesigner-softwaremaker Synopsys, uit. “Een machine zal alles optimaliseren. Alles.”
Kunstmatige intelligentie wordt steeds vaker gebruikt bij het ontwerpen van halfgeleiders, en een van de voordelen is dat AI-technologie ontwerptrade-offs zal onderzoeken die mensen zouden weigeren zelfs maar te overwegen.
Denk bijvoorbeeld aan het begrip marge. Ontwerpers zullen een foutmarge laten wanneer ze circuits op een chip plaatsen, om te anticiperen op fabricagefouten die bijvoorbeeld de timing van een signaal dat zich een weg door de chip baant, zouden kunnen verstoren. Een mens wil zo min mogelijk foutenmarge laten. Een machine zal brutaler zijn.
“Marge is in wezen een risicoberekening, en dat is voor een mens volstrekt onmogelijk”, legt Aart de Geus uit, chief executive van chipontwerper-softwaremaker Synopsys.
“Een machine zal alles optimaliseren, alles.”
De Geus sprak met ZDNet voorafgaand aan een keynote toespraak die hij maandag houdt op de jaarlijkse Hot Chips computerchipconferentie voor geavanceerd computergebruik. De conferentie wordt dit jaar virtueel gehouden.
Ook: AI op de bank: Cadence biedt machine learning voor een soepeler chipontwerp
De Geus legde aan ZDNet een uitbreiding van AI-technologie in de software van het bedrijf uit die al enkele jaren in de maak is.
Het programma, DSO.ai genaamd, werd een jaar geleden in mei voor het eerst geïntroduceerd. Dat programma was oorspronkelijk in staat om de lay-out van circuits in de plattegrond van de chip te optimaliseren, de manier waarop het tweedimensionale gebied wordt gebruikt.
Het onderwerp van de Geus' keynote talk op maandag is hoe Synopsys is verder gaan dan de fysieke lay-outoptimalisatie van een chip om andere factoren te optimaliseren.
Een daarvan is wat de architectuur wordt genoemd. Een chiparchitectuur verwijst naar wat voor soort circuits en wat voor soort functionele blokken op de chip moeten worden gebruikt, zoals rekenkundige logische eenheden, caches, registers en pijplijnen.
“Redelijk recent zijn we nu overgestapt naar het begin van micro-architecturale beslissingen, en dus kunnen we nu bijvoorbeeld ook de plattegrond en het klokschema optimaliseren”, zegt de Geus.
Naast de fysieke circuitlay-out en architecturale beslissingen, werkt Synopsys nu aan een derde vector voor optimalisatie, het zogenaamde functionele aspect, of gedrag, van de chip.
Ook: Toekomst van het maken van chips om zwaar te leunen op AI voor het opsporen van defecten, zegt Applied Materials
Dat omvat het ontwikkelen van een soort feedbackloop waarbij de software die uiteindelijk door de chip zal worden uitgevoerd, wordt gemodelleerd als een variabele waartegen het logische en fysieke ontwerp kan worden geoptimaliseerd.
“Een doorbraak waarvan ik eerlijk gezegd dacht dat het niet gemakkelijk haalbaar zou zijn, is dat we nu ook de mogelijkheid hebben om te kijken naar de software die op de chip gaat draaien, een analyse te maken van de verwachte pieken in het gebruik, de hete krachtmomenten, en de chip daartegen optimaliseren”, legt De Geus uit.
Het uiteindelijke doel is om een aantal eisen te stellen aan het chipontwerpprogramma en het alles zelf te laten uitzoeken.
“Begin met de specificaties van de chip, neem enkele architecturale beslissingen, we automatiseren de rest”, zo omschrijft de Geus de visie graag.
Bij het eerste gebruik van de drie vectoren zei de Geus dat Synopsys een “hyperscaler-chip” heeft gezien, het soort ding dat in een datacenter zou worden gebruikt voor enorme soorten rekenkracht – inclusief AI – die zijn stroomverbruik met 27% verminderd.
“Het vermogen was verminderd, maar nu je in de software kunt reiken, zit je in een andere klasse, omdat het verminderen van het vermogen altijd moeilijk is geweest, maar het is zo extreem uitdagend om het in te schatten”, zei de Geus. Chips zijn als een kraan: als ze inactief zijn, kunnen ze kleine druppels hebben, lekvermogen, wat relatief stabiel is om te meten, zei hij. Maar de dynamische kracht, vergelijkbaar met het aan- en uitzetten van een kraan, is veel minder voorspelbaar.
“Macht is naar mijn mening het moeilijkste fysieke kenmerk van alles wat we doen”, zegt De Geus. “Omdat het letterlijk gaat van de aard van de materialen die bij de productie worden gebruikt, de configuratie van een enkele transistor, enzovoort, helemaal naar het toepassingsdomein.”
Samsung is de eerste klant van Synopsys die zegt een chip te hebben gefabriceerd die is geoptimaliseerd met de DSO.ai-software.
De tool van Synopsys is gebaseerd op een vorm van machine learning die bekend staat als versterkingsleren. Die technologie werd met groot succes gebruikt door de DeepMind-eenheid van Google om het Alpha Zero-programma te realiseren dat in 2016 alle menselijke spelers versloeg bij de spellen Go en schaken.
In de afgelopen twee jaar heeft Google machine learning uitgebreid tot automatisering van chipontwerp, maar alleen op het gebied van de eerstgenoemde vector, de fysieke lay-out. “Google kijkt naar het plaatsingsgedeelte, waar we voor optimaliseren is niet plaatsing, maar synthese en timing en fysieke en testoptimalisatie”, zei de Geus. “De complexiteit is erg groot” in chipontwerp, benadrukte hij, waardoor er veel ruimte overblijft om optimalisaties te onderzoeken.
Dergelijke automatisering via machine learning breidt zich uit naar alle deelnemers aan halfgeleiders. Cadence Design, de aartsrivaal van Synopsys, heeft besproken hoe zijn Cerebrus-tool verbeteringen van 20% of meer kan brengen op het gebied van chipprestaties, stroomverbruik en oppervlaktegebruik.
En Applied Materials, 's werelds grootste fabrikant van productiehulpmiddelen voor halfgeleiders qua omzet, heeft dit jaar SEMVision onthuld, een softwareprogramma voor defectinspectie dat machinaal leren gebruikt om soorten defecten op een siliciumwafer te classificeren op een manier die past zich aan nieuwe informatie aan.
Voor de Geus is de verspreiding van AI door de gereedschapsketen van chipontwerp een natuurlijk gevolg van de verspreiding van AI over de hele wereld. In een soort gigantische feedbacklus versnelt de verspreiding van gegevens, mogelijk gemaakt door snellere chips, de activiteit van het gebruik van die chips om alles te analyseren, wat op zijn beurt een grotere vraag naar snelheid creëert, waardoor chipmakers nog meer onder druk komen te staan om de prestaties te verbeteren.
“Ik heb altijd het gevoel gehad dat de wet van Moore de ultieme opsteker was – plotseling kun je dingen doen die je voorheen niet kon”, merkte de Geus op. “Nu zeggen mensen: ik doe een beetje machine learning, wat geweldig is, maar waarom zijn je chips zo traag!”
Het resultaat, zei hij, is: “Nu wordt deze berg [van de wet van Moore] aangevuld met het tegenovergestelde, namelijk deze trechter naar beneden – een technologische duw naar een -onomische aantrekkingskracht”, zei hij, verwijzend naar de economische aantrekkingskracht van mensen die willen doe meer om de bedrijfsresultaten te verbeteren.
Onder druk van push en pull zou AI de manier kunnen zijn om nieuwe oplossingen te vinden om het knelpunt te doorbreken, net zoals Alpha Zero oplossingen vond die mensen ondanks de regels nooit zagen bij het schaken al duizenden jaren zichtbaar.
“Voor mij zijn ze niet verrassend, maar voor mij zijn ze interessant”, zegt de Geus van de AI-benadering van design.
“Als je alles optimaliseert, verklein je overal de marge”, legt de Geus uit. “Behalve, er zijn genoeg plekken op de chip waar je de marge daadwerkelijk kunt vergroten, en dat maakt je opbrengst statistisch gezien hoger.”
Opbrengst betekent hoeveel goede chips er uit een enkele siliciumwafer kunnen worden gehaald, de essentiële economische vraag voor alle chipfabrikanten en hun leveranciers, zoals Taiwan Semiconductor Manufacturing.
Een grotere foutenmarge is een compensatie voor een groter risico , maar risico is, nogmaals, iets dat mensen moeilijk en vaak onaanvaardbaar vinden.
Dat omvat “risico's waarbij zij [mensen] niet weten wat de afhankelijkheden zijn van de andere delen van het ontwerp”, zei de Geus.
moet lezen
Ethiek van AI: voordelen en risico's van kunstmatige intelligentie
De toenemende schaal van AI neemt toe de inzet voor belangrijke ethische vragen.
Lees meer
Verwante onderwerpen:
Digitale transformatie CXO Internet of Things Innovatie Enterprise Software Smart Cities 