[Einführung in die Neue Weisheit]Die Entwicklung traditioneller integrierter Schaltungen ist zeitaufwändig und mühsam. Kann künstliche Intelligenz die Arbeitseffizienz steigern? Auf der diesjährigen Konferenz für integrierte Festkörperschaltungen erläuterten vier führende Experten, darunter Jeff Dean, Leiter der KI-Abteilung von Google, die bedeutenden Auswirkungen von KI-Anwendungen auf Prozessoren, Quantencomputing, Strukturinnovationen usw. „Xinzhiyuan sucht dringend Chefredakteure, Redakteure, Betriebsleiter und Kundenbetreuer. Kontaktieren Sie uns über WeChat (Dr-wly) oder scannen Sie den QR-Code am Ende des Artikels, um mehr zu erfahren.“

Das Thema der diesjährigen Konferenz für integrierte Festkörperschaltungen (ISSCC) lautet:Integrierte Schaltkreise als Grundlage des KI-Zeitalters„und die Eröffnungssitzung im Plenum sollte aufzeigen, inwieweit KI den Halbleiterbereich „faltet“.
 

Jeff Dean, Leiter von Google AI, Kou-Hung Loh, Senior Vice President von MediaTek, Nadine Collaert, Projektleiterin von Imec, und Dario Gil, Direktor von IBM Research, erläuterten die Erwartungen und Anforderungen an KI im Elektronikbereich, beispielsweise wie neue Prozessoren (sowie CPUs und GPUs) speziell für KI-Anwendungen entwickelt werden können; wie strukturelle Innovationen (wie kleine Chips, Multi-Chip-Gehäuse, Interposer) gefördert werden können; und wie sich dies sogar auf die Entwicklung des Quantencomputings auswirkt.
 
Ist Ihnen die Planung und Routenplanung zu zeitaufwendig? Google AI hilft Ihnen, Kosten zu senken und die Effizienz zu steigern.
   
Die ISSCC-Konferenz fand letzte Woche in San Francisco statt. Im Rahmen der Konferenz erklärte Google, dass künstliche Intelligenz für die Schaltungsentwicklung ebenso wichtig sei, und kündigte anGoogle versucht, maschinelles Lernen einzusetzen, um automatisierte Layout- und Routing-Probleme im Designprozess integrierter Schaltungen zu lösen.und erzielte gute Ergebnisse.  
Die Anwendung künstlicher Intelligenz hat sich in den letzten Jahren zu einem Forschungsschwerpunkt im Bereich der Elektronik entwickelt. Diese Richtung hat zahlreiche Halbleiterforscher dazu angeregt, sich mit der Kombination traditioneller Forschungsmethoden und künstlicher Intelligenz zu beschäftigen. Insbesondere die diesjährige Integrated Solid-State Circuit Conference (ISSCC) hat sich das Thema „…“ selbst gesetzt.Förderung einer neuen Ära der KI mit integrierten SchaltkreisenIn der Eröffnungszeremonie wurde auch der Zweck dieser Konferenz erläutert: die Erforschung der Auswirkungen von KI auf die Forschung im Halbleiterbereich.
Die vier Redner bei der Eröffnungszeremonie erläuterten, wie die Nachfrage nach künstlicher Intelligenz die Entwicklung neuer KI-spezifischer Prozessoren (im Vergleich zu CPUs und GPUs) vorantreibt, wie sie strukturelle Innovationen fördert (wie die Verwendung kleiner Chips, Multi-Chip-Gehäuse oder Steckbauweise) und sogar, wie sie sich auf die Entwicklung zukünftiger Quantencomputer auswirkt.  
Der erste Redner der Konferenz war Jeff Dean, Leiter von Google AI. Jeff Dean erwähnte, dass Google mit Folgendem experimentiert:Nutzung von maschinellem Lernen zur Durchführung von Platzierungs- und Routing-Aufgaben beim Entwurf integrierter SchaltungenDas heißt, KI lernt das Layout und die Verdrahtung integrierter Schaltkreise, wodurch die menschliche Arbeitskraft von Designexperten eingespart wird.      Vergleich der Platzierungs- und Routing-Ergebnisse eines menschlichen ASIC-Experten mit den Ergebnissen eines energieeffizienten ML-Beschleunigerchips. Google hat Teile des Bildes absichtlich unkenntlich gemacht. (Quelle: Google Research / ISSCC)
Jeff Dean gab zunächst einen kurzen Überblick über die Entwicklungsgeschichte von KI und ML und erläuterte anschließend, wie Maschinen Backgammon lernen, wie Deep Blue Schach spielt und warum AlphaGo so gut Go spielt. KI kann mittlerweile sehr komplexe Videospiele (wie „StarCraft“) bewältigen und bahnbrechende Ergebnisse erzielen. Gleichzeitig findet maschinelles Lernen auch in der medizinischen Bildgebung breite Anwendung.Robotik, Computer Vision, autonomes Fahren, Neurowissenschaften, Landwirtschaft, Wettervorhersage und andere Bereiche.  
  Seit Jahrzehnten war die Grundidee, die die Entwicklung der Computertechnologie vorantrieb, folgende:Je größer das Problem, desto mehr Rechenleistung wird ihm zur Verfügung gestellt. Je mehr Rechenleistung vorhanden ist, desto größere Probleme lassen sich lösen. Eine Zeit lang galt diese Regel auch für die Lösung von KI-Problemen. Angesichts der rasant wachsenden Anzahl an Problemen wurde diese Regel jedoch schnell widerlegt. Denn wir können schlichtweg nicht genügend CPU/GPU-Leistung für die Lösung eines solchen Problems bereitstellen.  
Die Fakten haben bewiesen, dassKI/ML benötigt nicht die Komplexität einer typischen CPU/GPU, die erforderlichen mathematischen Berechnungen sind einfacher und die erforderliche Genauigkeit ist wesentlich geringer.Die Erkenntnis aus dieser Entdeckung ist, dass dedizierte KI/ML-Beschleuniger nicht so komplex wie CPUs/GPUs sein müssen. Darauf aufbauend entwickelte Google den TensorFlow-Beschleuniger und hat bereits die dritte Generation auf den Markt gebracht; die vierte Generation folgt in Kürze. KI/ML-Prozessoren sind relativ einfach zu entwickeln und daher vergleichsweise kostengünstig, was es erleichtert, maschinelles Lernen weiter an den Netzwerkrand zu verlagern. Bereits 2019 bot Google ein sehr kompaktes Modell für Smartphones an.  
Jede KI-basierte Anwendung (autonomes Fahren, medizinische Bildgebung, Spiele) wird derzeit durch das Training dedizierter KI/ML-Systeme implementiert. Kann KI also das in einem System erlernte Wissen auf ein neues, ihr unbekanntes System anwenden? Die Antwort ist eindeutig: „JA“.  
„Ich erwähne das deshalb, weil wir angefangen haben, über den Einsatz von KI für Platzierung und Routing im ASIC-Design nachzudenken“, sagte Jeff Dean.Platzierung und Routing sind weitaus schwieriger als bei Go:Das Ziel ist vager, und das Ausmaß des Problems ist größer.Google hat ein Lernmodell für Ort und Route entwickelt und anschließend versucht, das Tool weiter zu verallgemeinern. „Bisher haben wir bei all unseren Versuchen sehr gute Ergebnisse erzielt“, sagte Jeff Dean. „Die Leistung ist etwas besser als die von Menschen, manchmal sogar deutlich besser.“Google verglich die Effektivität von maschinellem Lernen für Platzierung und Routing mit kommerzieller Software. Die Testschaltung besteht aus mehreren verschiedenen Modulen, darunter einer Ariane RISC-V CPU. (Quelle: Google Research / ISSCC)
„Besser“ bedeutet Platzierung und Routing in sehr kurzer Zeit. Ein Experte für Human Design würde für diese Aufgabe normalerweise eine Woche oder sogar mehrere Wochen benötigen.ML-Platzierer und Router können in der Regel die gleiche Arbeitsmenge in 24 Stunden erledigen, und die Verkabelung ist in der Regel kürzer.Für eine noch bessere Performance des ML-Platzierungs- und Routersystems bei der automatischen Platzierung und dem Routing lesen Sie bitte den Artikel „Machine Learning in EDA Speeds Up the Design Cycle“ von Rod Metcalfe (Cadence).  
Jeff Dean erklärte, dass maschinelles Lernen auch auf andere Bereiche des IC-Designprozesses ausgeweitet werden könne, beispielsweise zur Generierung von Testfällen für eine umfassendere Verifizierung von ASIC-Designs oder zur Verbesserung der High-Level-Code-Synthese für optimiertere Designs. Diese möglichen Anwendungsrichtungen sind wichtig für die Verbreitung von maschinellem Lernen und beschleunigen gleichermaßen den Fortschritt im Bereich des integrierten Schaltungsdesigns.  
Hochpreisige und leistungsstarke CPUs/GPUs sind nicht erforderlich, Edge Computing kann individuell angepasst werden.
   
Kou-Hung Loh, Senior Vice President und Chief Strategy Officer von MediaTek, wies darauf hin, dass IoT-Geräte zig Milliarden Dinge miteinander verbinden, aber KI alles verändert, was mit dem Internet verbunden ist.  
Ein Grund dafür, dass sich KI in Richtung Edge Computing entwickelt, ist, wie Dean bereits in diesem Abschnitt erwähnt hat, und es gibt noch viele weitere Gründe, darunter:Die wachsende Verarbeitungslast in Rechenzentren verringern und den Netzwerkverkehr minimierenund jene Echtzeitanwendungen, die eine nahezu lokale Verarbeitung erfordern. Anforderungen an die lokale Verarbeitung: schnell (muss speziell für KI-Berechnungen ausgelegt sein) und geringer Stromverbrauch. Diese speziell für KI entwickelten Prozessoren werden als KI-Prozessoren bezeichnet. Ein APU kann weniger flexibel sein als eine CPU, aber da er dediziert ist,Eine APU ist 20-mal schneller als eine CPU und verbraucht 55-mal weniger Strom als eine CPU..  
Ist die gemeinsame Entwicklung mehrerer Systeme schwierig? KI hilft Ihnen, die acht außerordentlichen Meridiane zu erschließen.
   
Nadine Collaert, Projektleiterin bei Imec, wies darauf hin, dass das Mooresche Gesetz in den nächsten Jahren möglicherweise noch Gültigkeit hat. Obwohl die Miniaturisierung von CMOS-Technologie zunehmend schwieriger wird, können FinFETs, Nanosheets, Forksheets und andere Technologien zur weiteren Skalierung von CMOS-Chipstrukturen beitragen. Die 3D-Technologie gilt als beste Methode: Sie umfasst die Verwendung von Mehrlagen-Gehäusen, Durchkontaktierungen in Silizium und feinen Verbindungen mit anderen Standardzellen. Die Wahl der spezifischen Technologie muss anhand der Systemdesignanforderungen und der verfügbaren Geräteeigenschaften erfolgen. „Das wird ein komplexes Unterfangen“, sagte Collaert. Dies wird EDA-Anbieter stark unter Druck setzen, da sie die Erprobung und den Vergleich verschiedener Lösungen auf Werkzeugebene unterstützen müssen.  
Die Frontend-Module von drahtlosen Kommunikationssystemen stellen eine besondere Herausforderung dar. „Typischerweise sind diese Systeme am vielfältigsten: Sie verwenden viele verschiedene Komponenten aus unterschiedlichen Technologien, und die Frontend-Module werden durch das Hinzufügen von Antennen, Leistungsverstärkern und Filtern immer komplexer.“Die drahtlose Kommunikationsbranche bewegt sich hin zu höheren Frequenzen und höherer Effizienz.Eine Möglichkeit besteht darin, III-V-Materialien wie GaN und SiC mit CMOS zu kombinieren, um die Vorteile beider Materialien zu nutzen. Nadine Collaert zeigte beispielhaft eine dreidimensionale Nanostruktur aus III-V-Materialien auf einem SOI-Substrat (Silicon-on-Insulator) und wies gleichzeitig darauf hin, dass hier noch viel Forschungsarbeit nötig ist.      Imec demonstriert seine Fähigkeit, dreidimensionale Nanostrukturen aus III-V-Materialien auf Silizium-auf-Isolator (SOI)-Substraten herzustellen.
Der Einfluss von maschinellem Lernen auf den Speicher ist noch deutlicher. Neue Anwendungen wie KI und ML benötigen schnellen Speicherzugriff. Daher ist es dringend notwendig, der Speicherverarbeitung mehr Aufmerksamkeit zu schenken und sie weiterzuentwickeln. Da Logik und Speicherung immer näher zusammenrücken, wird die 3D-Gehäusetechnologie sicherlich eine wichtige Rolle spielen.  
Quantencomputing und künstliche Intelligenz können sich gegenseitig stärken und ergänzen.
   
 

IBM-Forschungsdirektor Dario Gil erwähnte auf der Konferenz außerdem die generalisierte KI: Es sei nahezu sicher, dass generalisierte KI auf Quantencomputern implementiert werde, schloss er.Die größten Vorteile könnten sich aus der komplementären Nutzung von Bits (Zahlenverarbeitung), Neuronen (KI) und Qubits (Quantencomputing) ergeben.IBM öffnete 2016 den Zugang zum ersten Quantencomputer und hat nun Zugang zu 15 Quantencomputern, darunter das neueste Modell mit 53 Qubits.

Haftungsausschluss: Dieser Artikel wurde aus „Xinzhiyuan“ übernommen. Er gibt ausschließlich die persönliche Meinung des Autors wieder und spiegelt nicht die Ansichten von Sacco Micro oder der Branche wider. Die Übernahme dient lediglich dem Schutz geistigen Eigentums. Bitte geben Sie bei einer Übernahme die Originalquelle und den Autor an. Sollten Urheberrechte verletzt werden, bitten wir Sie, uns zu kontaktieren, damit wir den entsprechenden Artikel entfernen können.

Firmentelefonnummer: +86-0755-83044319
Fax: +86-0755-83975897
E-Mail: 1615456225@qq.com
QQ: 3518641314 Manager Li

QQ: 332496225 Manager Qiu

Adresse: Raum 809, Gebäude C, Zhantao Technology Building, Minzhi Avenue 1079, Longhua New District, Shenzhen