使用AI技术构建功能更强大的处理芯片

目前,越来越多的初创公司和大型半导体公司竞争推出新的AI芯片。 Synopsys,Cadence和Mentor Graphics等电子工具和设计服务制造商希望找到更多前所未有的解决方案,以帮助设计人员加快产品生产速度。

有趣的地方是:目前,各公司采用的主流研发提速方法之一是使用AI技术来帮助构建功能更强大的AI芯片。其中,在设计过程的后端(即物理设计阶段)对AI工具的支持特别成熟,并且早期采用者也获得了可观的收益。

图1:这是Nvidia Drive AGX Orin芯片,其结构极其复杂,包括多达170亿个晶体管。有趣的是,业界目前正在使用AI技术为此类芯片提供更有效的设计支持。

相关问题

许多朋友可能不熟悉芯片制造的具体方法,在这里我将使用一些常见问题进行解释。在确定了芯片的基本逻辑(通常需要数月甚至数年)之后,下一步就是物理设计过程-更具体地说,工程师需要确定每个晶体管应放置在何处,不同的晶体管如何互连。此过程称为放置和布线。现代芯片通常包含数十亿个晶体管,因此布局和布线的设计和测试通常需要数名工程师完成20到30周才能完成。一旦出现问题,芯片的实际工作效率可能会低于设计要求,功耗会更高,成本会增加,或者根本不使用。不幸的是,没有“正确的”芯片布局方法。面对如此小的尺寸,我们有成千上万种可能的选择,研发人员的任务是在芯片的三个主要设计指标之间进行权衡:性能,功耗和面积(统称为PPA)。

实际上,设计团队面临着大规模的“搜索”问题:仅平面图形搜索就涵盖了1,090万种惊人的可能性。相应地,国际象棋中的“仅”包含10123种可能性,而Go包含10360种可能状态。我们之所以要使用国际象棋,是因为当前的AI软件可以以国际象棋的方式完全“玩”物理设计。尽管AI解决方案通常需要大量的计算资源,但它们也可以快速分类尽可能多的不可思议的选项,优化参数以实现一组既定目标,从而有效地找到用于芯片设计的最理想的PPA组合。

强化学习-克服芯片设计问题的关键

在AI领域中有一个无监督学习的分支,称为强化学习(RL),可以通过反复试验来探索和掌握解决问题的方法。具体而言,计算机将继续一个接一个地“尝试”解决方案,并通过改善结果来继续增强解决方案中的参数。经过数万亿次迭代,解决方案最终将收敛—这代表了“最佳实践”。

Synopsys是一家电子设计自动化(EDA)制造商,一直在与客户合作以推进该领域的试验,并取得了令人满意的结果。

图2:设计团队使用强化学习来加快物理设计项目(例如网络芯片,移动芯片,汽车芯片和AI加速芯片)的速度,并取得了惊人的成绩。

图2总结了Synopsys及其客户在复杂芯片设计中完成的四个试点项目。平均而言,这些项目的完成速度比以前的手动方法快86%。一位数据科学家可以取代原来的四到五名专业设计工程师,并且所有项目都达到或超过了既定的PPA目标。有趣的是,AI产生的一些设计结果具有违反直觉的效果,并且将以非常规的形式部署晶体管,这是人类设计团队几乎无法想到的。但是结果是不言而喻的。这些结果更快,更有效,也使公司能够更快地将产品投放市场。

总结一下

通过与Synopsys研发团队的沟通,我清楚地意识到,在物理设计中使用RL技术只是AI应用冰山一角。未来,人工智能和机器学习将被广泛引入集成电路设计领域的各种通用工作流程中。我还想起了英伟达首席执行官黄仁勋在2016年首次发布Saturn V时发表的评论-顺便说一句,Saturn V是Nvidia开发的基于GPU的超级计算机,在全球超级计算排名中排名第30位。 Huang先生预测,土星V将成为Nvidia手中的强大王牌,帮助内部设计工程师提高生产率并推出更好的产品。结合Synopsys在强化学习中的早期研究成果,我相信每个人都可以更好地理解AI辅助设计的重要意义,以及黄仁勋对该计划的认可和期望。

«   2020年5月   »
123
45678910
11121314151617
18192021222324
25262728293031
控制面板
您好,欢迎到访网站!
  查看权限
网站分类
友情链接

Powered By Z-BlogPHP 1.6.0 Valyria

Copyright © 有福网http://www.youfu.org