[مقدمه‌ای بر خرد جدید]طراحی سنتی مدارهای مجتمع زمان‌بر و پرزحمت است. آیا می‌توان از هوش مصنوعی برای بهبود بهره‌وری کار استفاده کرد؟ در کنفرانس مدار حالت جامد یکپارچه امسال، چهار رهبر، از جمله جف دین، رئیس بخش هوش مصنوعی گوگل، تأثیر قابل توجه کاربردهای هوش مصنوعی بر پردازنده‌ها، محاسبات کوانتومی، نوآوری ساختاری و غیره را توضیح دادند. «شینژی‌یوان به شدت به دنبال نویسندگان ارشد، ویراستاران، مدیران عملیات و مدیران حساب است. برای کسب اطلاعات بیشتر، وی‌چت منابع انسانی (Dr-wly) را اضافه کنید یا کد QR انتهای مقاله را اسکن کنید.»

موضوع کنفرانس مدارهای حالت جامد مجتمع (ISSCC) امسال «مدارهای مجتمع که عصر هوش مصنوعی را تقویت می‌کنندو جلسه عمومی افتتاحیه قرار بود میزان «گسترش» فضای نیمه‌هادی‌ها توسط هوش مصنوعی را ترسیم کند.
 

جف دین، رئیس بخش هوش مصنوعی گوگل، کو-هونگ لو، معاون ارشد مدیاتک، نادین کولارت، مدیر پروژه Imec، و داریو گیل، مدیر تحقیقات IBM، به ترتیب انتظارات و الزامات هوش مصنوعی در حوزه الکترونیک، مانند نحوه راه‌اندازی پردازنده‌های جدید (و همچنین CPUها و GPUها) که به‌طور خاص برای کاربردهای هوش مصنوعی طراحی شده‌اند؛ ترویج نوآوری ساختاری (مانند تراشه‌های کوچک، بسته‌های چندتراشه، اینترپوزرها)؛ و حتی تأثیر بر توسعه محاسبات کوانتومی را توضیح دادند.
 
آیا طرح‌بندی و مسیریابی خیلی وقت‌گیر است؟ هوش مصنوعی گوگل به شما کمک می‌کند هزینه‌ها را کاهش و کارایی را افزایش دهید.
   
کنفرانس ISSCC هفته گذشته در سانفرانسیسکو برگزار شد. در طول این کنفرانس، گوگل اظهار داشت که هوش مصنوعی به همان اندازه برای طراحی مدار مهم است و اعلام کردگوگل در تلاش است تا با استفاده از یادگیری ماشینی، مشکلات مربوط به طرح‌بندی و مسیریابی خودکار را در فرآیند طراحی مدارهای مجتمع حل کند.، و به نتایج خوبی دست یافت.  
کاربرد هوش مصنوعی در سال‌های اخیر به یک کانون توجه و تمرکز تحقیقاتی در حوزه الکترونیک تبدیل شده است. این جهت‌گیری، تعداد زیادی از محققان نیمه‌هادی را به سمت خود جذب کرده است تا در تحقیقات مرتبط با ترکیب جهت‌گیری‌های سنتی و هوش مصنوعی مشارکت کنند. به طور خاص، کنفرانس مدار حالت جامد یکپارچه (ISSCC) امسال حتی موضوع کنفرانس را به این صورت تعیین کرد: "ترویج عصر جدیدی از هوش مصنوعی با مدارهای مجتمع«. در مراسم افتتاحیه همچنین هدف این کنفرانس بررسی تأثیر هوش مصنوعی بر تحقیقات در حوزه نیمه‌هادی‌ها اعلام شد.
چهار سخنران مراسم افتتاحیه توضیح دادند که چگونه تقاضا برای هوش مصنوعی، طراحی پردازنده‌های جدید مخصوص هوش مصنوعی (در مقایسه با CPUها و GPUها) را هدایت می‌کند، چگونه نوآوری ساختاری (مانند استفاده از تراشه‌های کوچک، بسته‌های چند تراشه‌ای یا طرح‌های افزونه) را ارتقا می‌دهد و حتی چگونه بر توسعه محاسبات کوانتومی آینده تأثیر می‌گذارد.  
اولین سخنران کنفرانس، جف دین، رئیس بخش هوش مصنوعی گوگل بود. جف دین اشاره کرد که گوگل در حال آزمایش ...استفاده از یادگیری ماشین برای انجام وظایف مکان‌یابی و مسیریابی در طراحی مدار مجتمعیعنی، به هوش مصنوعی اجازه می‌دهد تا طرح‌بندی و سیم‌کشی در مدارهای مجتمع را یاد بگیرد و در نتیجه در کار انسانی متخصصان طراحی صرفه‌جویی کند.      مقایسه نتایج جایگذاری و مسیریابی یک متخصص ASIC انسانی با نتایج جایگذاری و مسیریابی یک تراشه شتاب‌دهنده یادگیری ماشین کم‌مصرف. گوگل عمداً بخش‌هایی از تصویر را مبهم کرده است. (منبع: Google Research / ISSCC)
جف دین ابتدا تاریخچه توسعه هوش مصنوعی و یادگیری ماشین را به طور خلاصه معرفی کرد و سپس نحوه یادگیری ماشین‌ها برای بازی تخته نرد، نحوه بازی شطرنج دیپ بلو و مهارت آلفاگو در بازی گو را معرفی کرد. و هوش مصنوعی اکنون می‌تواند بازی‌های ویدیویی بسیار پیچیده (مانند "استارکرافت") را مدیریت کند و به "نتایج برجسته" دست یابد. در عین حال، یادگیری ماشین نیز به طور گسترده در تصویربرداری پزشکی مورد استفاده قرار می‌گیرد.رباتیک، بینایی کامپیوتر، رانندگی خودران، علوم اعصاب، کشاورزی، پیش‌بینی آب و هوا و سایر زمینه‌ها.  
  برای دهه‌ها، ایده اساسی که توسعه فناوری محاسبات را هدایت می‌کرد، ...: هر چه مسئله بزرگتر باشد، قدرت محاسباتی بیشتری به آن می‌دهیم. هر چه قدرت پردازش بیشتری داشته باشید، می‌توانید مسائل بزرگتری را حل کنید. برای مدتی، این قانون در مورد حل مسائل هوش مصنوعی نیز صدق می‌کرد. با این حال، این قانون به سرعت با انفجار فضای مسئله شکسته شد. زیرا ما به سادگی نمی‌توانیم CPU/GPU کافی را برای حل چنین مسئله‌ای ذخیره کنیم.  
واقعیت‌ها ثابت کرده‌اند کههوش مصنوعی/یادگیری ماشین به پیچیدگی یک CPU/GPU معمولی نیاز ندارد، محاسبات مورد نیاز ساده‌تر است و دقت مورد نیاز بسیار کمتر است.. پیامد این کشف این است که شتاب‌دهنده‌های اختصاصی هوش مصنوعی/یادگیری ماشین لازم نیست به پیچیدگی CPU/GPU باشند. بر این اساس، گوگل شتاب‌دهنده TensorFlow را طراحی کرده و محصول نسل سوم را عرضه کرده است و محصول نسل چهارم به زودی منتشر خواهد شد. پردازنده‌های هوش مصنوعی/یادگیری ماشین نسبتاً ساده طراحی می‌شوند و بنابراین نسبتاً ارزان هستند، که همه این‌ها باعث می‌شود یادگیری ماشینی به لبه شبکه منتقل شود. از سال ۲۰۱۹، گوگل در حال حاضر یک مدل بسیار جمع و جور از آن را در تلفن‌های هوشمند موجود دارد.  
هر کاربرد مبتنی بر هوش مصنوعی (رانندگی خودکار، تصویربرداری پزشکی، بازی) در مرحله فعلی با آموزش سیستم‌های اختصاصی هوش مصنوعی/یادگیری ماشین پیاده‌سازی می‌شود. بنابراین، آیا هوش مصنوعی می‌تواند دانش آموخته شده در یک سیستم را در سیستم جدیدی که قبلاً هرگز ندیده است، به کار گیرد؟ پاسخ واضح است: "بله".  
جف دین گفت: «دلیل اینکه این موضوع را مطرح می‌کنم این است که ما شروع به فکر کردن در مورد استفاده از هوش مصنوعی برای مکان و مسیر در طراحی ASIC کردیم.»جایگذاری و مسیریابی بسیار دشوارتر از Go است:هدف مبهم‌تر و مقیاس مشکل بزرگ‌تر است.«گوگل یک مدل یادگیری مکان و مسیر ایجاد کرده و سپس سعی کرده است ببیند آیا می‌توان این ابزار را بیشتر تعمیم داد یا خیر.» جف دین گفت: «تاکنون، در تمام تلاش‌هایمان نتایج بسیار خوبی داشته‌ایم. عملکرد آن کمی بهتر از انسان‌ها است، گاهی اوقات بسیار بهتر.»گوگل اثربخشی استفاده از یادگیری ماشین برای جایگذاری و مسیریابی را با نرم‌افزار تجاری مقایسه کرد. مدار آزمایشی شامل چندین ماژول مختلف، از جمله یک پردازنده Ariane RISC-V است. (منبع: Google Research / ISSCC)
«بهتر» به معنای جایگذاری و مسیریابی در مدت زمان بسیار کوتاهی است. این کار معمولاً یک هفته یا حتی چند هفته طول می‌کشد تا توسط یک متخصص طراحی انسانی انجام شود.مکان و روتر ML معمولاً می‌توانند همان مقدار کار را در 24 ساعت انجام دهند و سیم‌های طرح‌بندی معمولاً کوتاه‌تر هستند.برای عملکرد عالی‌تر مکان‌یابی و مسیریابی خودکار ماشین یادگیری (ML) در جایگذاری و مسیریابی، لطفاً به مقاله «یادگیری ماشین در EDA چرخه طراحی را سرعت می‌بخشد» نوشته راد متکالف از Cadence مراجعه کنید.  
جف دین گفت که یادگیری ماشینی می‌تواند به سایر بخش‌های فرآیند طراحی مدار مجتمع نیز گسترش یابد، از جمله استفاده از یادگیری ماشینی برای کمک به تولید نمونه‌های آزمایشی جهت تأیید کامل‌تر طرح‌های ASIC؛ و شاید استفاده از یادگیری ماشینی برای بهبود سنتز کد سطح بالا برای دستیابی به طرح‌های بهینه‌تر. این دستورالعمل‌های کاربردی احتمالی برای محبوبیت خود یادگیری ماشینی مهم هستند و به همان اندازه برای تسریع پیشرفت طراحی مدار مجتمع نیز اهمیت دارند.  
پردازنده/پردازنده گرافیکی پرهزینه و پرقدرت ضروری نیست، محاسبات لبه‌ای را می‌توان سفارشی‌سازی کرد
   
کو-هونگ لو، معاون ارشد و مدیر ارشد استراتژی مدیاتک، خاطرنشان کرد که دستگاه‌های اینترنت اشیا ده‌ها میلیارد چیز را به هم متصل می‌کنند، اما هوش مصنوعی در حال تغییر هر چیزی است که به اینترنت متصل است.  
بخشی از دلیل حرکت هوش مصنوعی به سمت محاسبات لبه‌ای همانطور که دین قبلاً در این بخش اشاره کرد، همین است و دلایل بسیار بیشتری از جمله موارد زیر وجود دارد:کاهش بار پردازشی رو به رشد در مراکز داده و به حداقل رساندن ترافیک شبکهو آن دسته از برنامه‌های بلادرنگ که نیاز به استفاده از پردازش تقریباً محلی دارند. الزامات پردازش محلی: سریع (باید به طور ویژه برای محاسبات هوش مصنوعی طراحی شده باشند) و مصرف برق کم. این پردازنده‌های ویژه طراحی شده برای هوش مصنوعی، واحدهای پردازنده هوش مصنوعی نامیده می‌شوند. یک APU می‌تواند نسبت به یک CPU انعطاف‌پذیری کمتری داشته باشد، اما به دلیل اختصاصی بودن،APU می‌تواند ۲۰ برابر سریع‌تر از CPU عمل کند و ۵۵ برابر کمتر از CPU برق مصرف کند..  
آیا طراحی مشترک چندین سیستم دشوار است؟ هوش مصنوعی به شما کمک می‌کند تا هشت کانال انرژی خارق‌العاده را باز کنید
   
نادین کولارت، مدیر پروژه Imec، اشاره کرد که قانون مور ممکن است در چند سال آینده همچنان صادق باشد. اگرچه کوچک کردن CMOS به طور فزاینده‌ای دشوار است، اما می‌توان از FinFETها، نانوصفحات، فورک‌شیت‌ها و سایر فناوری‌ها برای دستیابی به مقیاس‌بندی بیشتر CMOS در سطح تراشه استفاده کرد. اعتقاد بر این است که فناوری سه‌بعدی بهترین روش است: از جمله استفاده از بسته‌بندی چند لایه، سوراخ‌های درون سیلیکونی و اتصالات سطح ریز با سایر سلول‌های استاندارد. انتخاب فناوری خاص باید بر اساس الزامات طراحی سیستم و ویژگی‌های موجود دستگاه تعیین شود. کولارت گفت: «این یک کار پیچیده خواهد بود.» این امر فشار زیادی را بر تأمین‌کنندگان EDA وارد خواهد کرد، زیرا مستلزم آن است که تأمین‌کنندگان EDA از آزمایش و مقایسه راه‌حل‌های مختلف در سطح ابزار پشتیبانی کنند.  
ماژول‌های جلویی سیستم‌های ارتباطی بی‌سیم به یک چالش ویژه تبدیل خواهند شد. «معمولاً این سیستم‌ها متنوع‌ترین هستند: از اجزای مختلف از فناوری‌های مختلف استفاده می‌کنند و ماژول‌های جلویی با اضافه شدن آنتن‌ها، تقویت‌کننده‌های توان و فیلترها پیچیده‌تر می‌شوند.»صنعت ارتباطات بی‌سیم به سمت فرکانس‌های بالاتر و راندمان بالاتر حرکت می‌کند.یک گزینه، ترکیب مواد III-V مانند GaN و SiC با CMOS است تا از مزایای هر دو ماده بهره‌مند شد. نادین کولارت نمونه‌ای تصویری از یک نانو-ریج سه‌بعدی با مواد III-V رشد یافته روی یک زیرلایه سیلیکون روی عایق (SOI) ارائه داد و خاطرنشان کرد که هنوز کارهای زیادی برای انجام دادن در اینجا وجود دارد.      شرکت Imec توانایی خود را در رشد نانو برآمدگی‌های سه‌بعدی مواد III-V روی زیرلایه‌های سیلیکونی روی عایق (SOI) نشان می‌دهد.
در مورد تأثیر یادگیری ماشینی بر حافظه، این موضوع حتی آشکارتر است. برنامه‌های جدید مانند هوش مصنوعی و یادگیری ماشینی نیاز به دسترسی سریع به حافظه دارند. مردم باید فوراً به محاسبات حافظه توجه کرده و آن را توسعه دهند. با نزدیک شدن روزافزون منطق و ذخیره‌سازی، بسته‌بندی سه‌بعدی مطمئناً نقش مهمی ایفا خواهد کرد.  
محاسبات کوانتومی و هوش مصنوعی با توانمندسازی یکدیگر، می‌توانند مکمل یکدیگر باشند
   
 

داریو گیل، مدیر تحقیقات IBM، در ادامه کنفرانس به هوش مصنوعی تعمیم‌یافته اشاره کرد: تقریباً قطعی است که هوش مصنوعی تعمیم‌یافته روی رایانه‌های کوانتومی پیاده‌سازی خواهد شد. او نتیجه‌گیری کردبزرگترین مزایا ممکن است از استفاده مکمل بیت‌ها (پردازش اعداد)، نورون‌ها (هوش مصنوعی) و کیوبیت‌ها (محاسبات کوانتومی) حاصل شود.آی‌بی‌ام دسترسی به اولین کامپیوتر کوانتومی را در سال ۲۰۱۶ فراهم کرد و اکنون به ۱۵ کامپیوتر کوانتومی، از جمله آخرین مدل ۵۳ کیوبیتی خود، دسترسی دارد.

سلب مسئولیت: این مقاله از "Xinzhiyuan" بازنشر شده است. این مقاله فقط بیانگر دیدگاه‌های شخصی نویسنده است و بیانگر دیدگاه‌های Sacco Micro و صنعت نیست. این مقاله فقط برای حمایت از حفاظت از حقوق مالکیت معنوی بازنشر و به اشتراک گذاشته شده است. لطفاً منبع اصلی و نویسنده را برای بازنشر ذکر کنید. در صورت وجود هرگونه نقض، لطفاً برای حذف آن با ما تماس بگیرید.

شماره تلفن شرکت: +86-0755-83044319
فکس/فکس: +86-0755-83975897
ایمیل: 1615456225@qq.com
QQ: 3518641314 مدیر لی

QQ: 332496225 مدیر کیو

آدرس: اتاق ۸۰۹، ساختمان C، ساختمان فناوری ژانتائو، پلاک ۱۰۷۹ خیابان مینزی، منطقه جدید لونگهوا، شنژن