[Pengantar Kebijaksanaan Baru]Desain sirkuit terpadu tradisional memakan waktu dan melelahkan. Dapatkah kecerdasan buatan digunakan untuk meningkatkan efisiensi kerja? Pada Konferensi Sirkuit Solid-State Terpadu tahun ini, empat pemimpin, termasuk kepala AI Google Jeff Dean, menjelaskan dampak signifikan aplikasi AI pada prosesor, komputasi kuantum, inovasi struktural, dll. "Xinzhiyuan sedang membutuhkan penulis utama, editor, manajer operasional, dan manajer akun. Tambahkan WeChat HR (Dr-wly) atau pindai kode QR di akhir artikel untuk mempelajari lebih lanjut."

Tema Konferensi Sirkuit Solid State Terintegrasi (ISSCC) tahun ini adalah “Sirkuit terpadu yang mendukung era AI” dan sesi pleno pembuka dimaksudkan untuk memetakan sejauh mana AI “mengubah” industri semikonduktor.
 

Jeff Dean, kepala Google AI, Kou-Hung Loh, wakil presiden senior MediaTek, Nadine Collaert, direktur proyek Imec, dan Dario Gil, direktur IBM Research, masing-masing menjelaskan harapan dan persyaratan untuk AI di bidang elektronik, seperti bagaimana mendorong prosesor baru (serta CPU dan GPU) yang dirancang khusus untuk aplikasi AI; mempromosikan inovasi struktural (seperti chip kecil, paket multi-chip, interposer); dan bahkan memengaruhi pengembangan komputasi kuantum.
 
Apakah penataan dan penentuan rute terlalu memakan waktu? Google AI membantu Anda mengurangi biaya dan meningkatkan efisiensi.
   
Konferensi ISSCC diadakan di San Francisco minggu lalu. Selama konferensi tersebut, Google menyatakan bahwa kecerdasan buatan sama pentingnya dengan desain sirkuit dan mengumumkanGoogle berupaya menggunakan pembelajaran mesin untuk menyelesaikan masalah tata letak dan perutean otomatis dalam proses desain sirkuit terpadu.dan mencapai hasil yang baik.  
Penerapan kecerdasan buatan telah menjadi pusat perhatian dan fokus penelitian di bidang elektronika dalam beberapa tahun terakhir. Arah ini telah menarik sejumlah besar peneliti semikonduktor untuk terlibat dalam penelitian yang berkaitan dengan kombinasi arah tradisional dan kecerdasan buatan. Secara khusus, Konferensi Sirkuit Solid-State Terintegrasi (ISSCC) tahun ini bahkan menetapkan tema konferensi sebagai: "Mempromosikan era baru AI dengan sirkuit terpadu.Upacara pembukaan juga menyatakan tujuan konferensi ini sebagai upaya untuk mengeksplorasi dampak AI terhadap penelitian di bidang semikonduktor.
Keempat pembicara pada upacara pembukaan menjelaskan bagaimana permintaan akan kecerdasan buatan mendorong desain prosesor khusus AI baru (dibandingkan dengan CPU dan GPU), bagaimana hal itu mendorong inovasi struktural (seperti penggunaan chip kecil, paket multi-chip, atau desain plug-in), dan bahkan bagaimana hal itu memengaruhi pengembangan komputasi kuantum di masa depan.  
Pembicara pertama di konferensi tersebut adalah Jeff Dean, kepala Google AI. Jeff Dean menyebutkan bahwa Google sedang bereksperimen denganMemanfaatkan pembelajaran mesin untuk melakukan tugas penempatan dan perutean dalam desain sirkuit terpadu.yaitu, membiarkan AI mempelajari tata letak dan pengkabelan dalam sirkuit terpadu, sehingga menghemat tenaga kerja manusia dari para ahli desain.      Perbandingan hasil penempatan dan perutean oleh seorang ahli ASIC manusia dengan hasil penempatan dan perutean dari chip akselerator ML berdaya rendah. Google sengaja mengaburkan sebagian gambar. (Sumber: Google Research / ISSCC)
Jeff Dean pertama-tama memperkenalkan secara singkat sejarah perkembangan AI dan ML, kemudian menjelaskan bagaimana mesin belajar bermain backgammon, bagaimana Deep Blue bermain catur, dan bagaimana alphago mahir bermain Go. AI kini mampu menangani permainan video yang sangat kompleks (seperti "StarCraft") dan mencapai "hasil yang luar biasa". Pada saat yang sama, pembelajaran mesin juga banyak digunakan dalam pencitraan medis.Robotika, visi komputer, kendaraan otonom, ilmu saraf, pertanian, prakiraan cuaca, dan bidang lainnya..  
  Selama beberapa dekade, ide dasar yang mendorong perkembangan teknologi komputasi adalah...Semakin besar masalahnya, semakin banyak daya komputasi yang kita berikan. Semakin besar daya pemrosesan yang Anda miliki, semakin besar masalah yang dapat Anda selesaikan. Untuk sementara waktu, aturan ini juga berlaku untuk menyelesaikan masalah AI. Namun, aturan ini dengan cepat dilanggar oleh ruang lingkup masalah yang meledak. Karena kita tidak mungkin dapat mengalokasikan cukup CPU/GPU untuk menyelesaikan masalah sebesar itu.  
Fakta telah membuktikan bahwaAI/ML tidak memerlukan kompleksitas CPU/GPU pada umumnya, matematika yang dibutuhkan lebih sederhana, dan akurasi yang diperlukan jauh lebih rendah.Implikasi dari penemuan ini adalah bahwa akselerator AI/ML khusus tidak harus serumit CPU/GPU. Berdasarkan hal ini, Google merancang akselerator TensorFlow dan telah meluncurkan produk generasi ketiga, dan produk generasi keempat akan segera dirilis. Prosesor AI/ML relatif mudah dirancang dan karenanya relatif murah, yang semuanya memudahkan untuk mendorong pembelajaran mesin lebih jauh ke tepi jaringan. Pada tahun 2019, Google sudah memiliki model yang sangat ringkas yang tersedia di ponsel pintar.  
Setiap aplikasi berbasis AI (pengemudian otonom, pencitraan medis, permainan) pada tahap saat ini diimplementasikan dengan melatih sistem AI/ML khusus. Jadi, dapatkah AI menerapkan pengetahuan yang dipelajari pada satu sistem ke sistem baru yang belum pernah dilihat sebelumnya? Jawabannya jelas: "YA".  
“Alasan saya mengangkat hal ini adalah karena kami mulai berpikir untuk menggunakan AI untuk penempatan dan perutean dalam desain ASIC,” kata Jeff Dean.Penempatan dan perutean jauh lebih sulit daripada Go:Tujuan yang ingin dicapai lebih kabur, dan skala masalahnya lebih besar.Google telah menciptakan model pembelajaran tentang lokasi dan rute, lalu mencoba melihat apakah alat tersebut dapat digeneralisasikan lebih lanjut. "Sejauh ini, kami mendapatkan hasil yang sangat baik dalam semua percobaan kami," kata Jeff Dean. "Kinerjanya sedikit lebih baik daripada manusia, terkadang jauh lebih baik."Google membandingkan efektivitas penggunaan pembelajaran mesin untuk penempatan dan perutean dengan perangkat lunak komersial. Rangkaian uji terdiri dari beberapa modul berbeda, termasuk CPU Ariane RISC-V. (Sumber: Google Research / ISSCC)
“Lebih baik” berarti penempatan dan perutean dalam waktu yang sangat singkat. Tugas ini biasanya membutuhkan waktu seminggu atau bahkan beberapa minggu untuk diselesaikan oleh seorang ahli desain manusia.ML place dan router biasanya dapat menyelesaikan jumlah pekerjaan yang sama dalam 24 jam, dan tata letak kabel biasanya lebih pendek.Untuk performa yang lebih unggul dari penempatan dan perutean ML dalam penempatan dan perutean otomatis, silakan merujuk ke artikel "Machine Learning in EDA Speeds Up the Design Cycle" yang ditulis oleh Rod Metcalfe dari Cadence.  
Jeff Dean mengatakan bahwa ML juga dapat diperluas ke bagian lain dari proses desain IC, termasuk menggunakan ML untuk membantu menghasilkan kasus uji guna memverifikasi desain ASIC secara lebih menyeluruh; dan mungkin menggunakan ML untuk meningkatkan sintesis kode tingkat tinggi guna mencapai desain yang lebih optimal. Arah aplikasi yang mungkin ini penting untuk mempopulerkan pembelajaran mesin itu sendiri, dan sama pentingnya untuk mempercepat kemajuan desain sirkuit terpadu.  
CPU/GPU berbiaya tinggi dan berdaya tinggi tidak diperlukan, edge computing dapat disesuaikan.
   
Kou-Hung Loh, wakil presiden senior dan kepala strategi MediaTek, menunjukkan bahwa perangkat IoT menghubungkan puluhan miliar benda bersama-sama, tetapi AI mengubah segala sesuatu yang terhubung ke Internet.  
Sebagian alasan mengapa AI beralih ke edge computing adalah seperti yang Dean sebutkan sebelumnya di bagian ini, dan masih banyak alasan lainnya termasuk:Mengurangi beban pemrosesan yang terus meningkat pada pusat data dan meminimalkan lalu lintas jaringan., dan aplikasi waktu nyata yang memerlukan penggunaan pemrosesan dekat lokal. Persyaratan pemrosesan lokal: cepat (harus dirancang khusus untuk komputasi AI), dan konsumsi daya rendah. Prosesor yang dirancang khusus untuk AI ini disebut unit prosesor AI. APU mungkin kurang fleksibel daripada CPU, tetapi karena didedikasikan,APU dapat berkinerja 20 kali lebih cepat daripada CPU dan mengonsumsi daya 55 kali lebih sedikit daripada CPU..  
Apakah sulit untuk merancang beberapa sistem secara bersamaan? AI membantu Anda membuka delapan meridian luar biasa.
   
Nadine Collaert, direktur proyek Imec, menunjukkan bahwa Hukum Moore mungkin masih berlaku dalam beberapa tahun ke depan. Meskipun semakin sulit untuk mengecilkan CMOS, FinFET, nanosheet, forksheet, dan teknologi lainnya dapat digunakan untuk mencapai penskalaan lebih lanjut dari CMOS tingkat chip. Dipercaya bahwa teknologi 3D adalah metode terbaik: termasuk penggunaan pengemasan multi-layer, lubang tembus di silikon, dan koneksi tingkat halus dengan sel standar lainnya. Pilihan teknologi spesifik perlu ditentukan berdasarkan persyaratan desain sistem dan atribut perangkat yang tersedia. "Ini akan menjadi latihan yang kompleks," kata Collaert. Hal ini akan memberikan banyak tekanan pada pemasok EDA, karena mengharuskan pemasok EDA untuk mendukung uji coba dan perbandingan berbagai solusi pada tingkat alat.  
Modul bagian depan (front-end) dari sistem komunikasi nirkabel akan menjadi tantangan khusus. “Biasanya, sistem ini adalah yang paling beragam: menggunakan banyak komponen berbeda dari berbagai teknologi, dan modul bagian depan menjadi lebih kompleks dengan penambahan antena, penguat daya (PA), dan filter.”Industri komunikasi nirkabel bergerak menuju frekuensi yang lebih tinggi dan efisiensi yang lebih tinggi.Salah satu opsi adalah menggabungkan material III-V seperti GaN dan SiC dengan CMOS untuk mendapatkan keunggulan dari kedua material tersebut. Nadine Collaert memberikan contoh gambar berupa nano-ridge 3D dengan material III-V yang ditumbuhkan pada substrat silikon di atas isolator (SOI), sambil menunjukkan bahwa masih banyak pekerjaan yang perlu dilakukan di bidang ini.      Imec mendemonstrasikan kemampuannya untuk menumbuhkan nano-ridge 3D dari material III-V pada substrat silikon di atas isolator (SOI).
Adapun dampak pembelajaran mesin pada memori, hal itu bahkan lebih jelas. Aplikasi baru seperti AI dan ML membutuhkan akses cepat ke memori. Orang-orang perlu segera memperhatikan dan mengembangkan komputasi memori. Karena logika dan penyimpanan semakin dekat, pengemasan 3D tentu akan memainkan peran penting.  
Dengan saling memberdayakan, komputasi kuantum dan kecerdasan buatan dapat saling melengkapi.
   
 

Direktur Riset IBM, Dario Gil, lebih lanjut menyebutkan AI umum pada konferensi tersebut: "Hampir pasti bahwa AI umum akan diimplementasikan pada komputer kuantum," simpulnya.Manfaat terbesar mungkin berasal dari penggunaan komplementer bit (pemrosesan angka), neuron (AI), dan qubit (komputasi kuantum).IBM membuka akses ke komputer kuantum pertama pada tahun 2016 dan sekarang memiliki akses ke 15 komputer kuantum, termasuk model 53-qubit terbarunya.

Penafian: Artikel ini dicetak ulang dari "Xinzhiyuan". Artikel ini hanya mewakili pandangan pribadi penulis dan tidak mewakili pandangan Sacco Micro dan industri. Artikel ini hanya dicetak ulang dan dibagikan untuk mendukung perlindungan hak kekayaan intelektual. Harap sebutkan sumber dan penulis asli untuk pencetakan ulang. Jika ada pelanggaran, silakan hubungi kami untuk menghapusnya.

Nomor telepon perusahaan: +86-0755-83044319
Faks/FAX: +86-0755-83975897
Surel: 1615456225@qq.com
QQ: 3518641314 Manajer Li

QQ: 332496225 Manajer Qiu

Alamat: Ruang 809, Gedung C, Gedung Teknologi Zhantao, No. 1079 Jalan Minzhi, Distrik Baru Longhua, Shenzhen