[Pengenalan kepada Kebijaksanaan Baharu]Reka bentuk litar bersepadu tradisional memakan masa dan menyusahkan. Bolehkah kecerdasan buatan digunakan untuk meningkatkan kecekapan kerja? Pada Persidangan Litar Keadaan Pepejal Bersepadu tahun ini, empat pemimpin, termasuk ketua Google AI, Jeff Dean, menjelaskan impak ketara aplikasi AI terhadap pemproses, pengkomputeran kuantum, inovasi struktur, dan sebagainya. "Xinzhiyuan sedang mencari ketua penulis, editor, pengurus operasi dan pengurus akaun dengan segera. Tambahkan HR WeChat (Dr-wly) atau imbas kod QR pada akhir artikel untuk mengetahui lebih lanjut."

Tema Persidangan Litar Keadaan Pepejal Bersepadu (ISSCC) tahun ini ialah “Litar bersepadu yang menguasakan era AI"dan sesi pleno pembukaan bertujuan untuk mencatat sejauh mana AI "melipat" ruang semikonduktor.
 

Jeff Dean, ketua Google AI, Kou-Hung Loh, naib presiden kanan MediaTek, Nadine Collaert, pengarah projek Imec, dan Dario Gil, pengarah IBM Research, masing-masing menjelaskan jangkaan dan keperluan untuk AI dalam bidang elektronik, seperti cara memacu pemproses baharu (serta CPU dan GPU) yang direka khusus untuk aplikasi AI; menggalakkan inovasi struktur (seperti cip kecil, pakej berbilang cip, interposer); dan juga mempengaruhi pembangunan pengkomputeran kuantum.
 
Adakah susun atur dan penghalaan terlalu memakan masa? Google AI membantu anda mengurangkan kos dan meningkatkan kecekapan
   
Persidangan ISSCC telah diadakan di San Francisco minggu lepas. Semasa persidangan itu, Google menyatakan bahawa kecerdasan buatan adalah sama pentingnya dengan reka bentuk litar dan mengumumkanGoogle sedang cuba menggunakan pembelajaran mesin untuk menyelesaikan masalah susun atur dan penghalaan automatik dalam proses reka bentuk litar bersepadu, dan mencapai keputusan yang baik.  
Aplikasi kecerdasan buatan telah menjadi tumpuan dan tumpuan penyelidikan dalam bidang elektronik sejak kebelakangan ini. Arah ini telah menarik ramai penyelidik semikonduktor untuk terlibat dalam penyelidikan berkaitan gabungan arah tradisional dan kecerdasan buatan. Khususnya, Persidangan Litar Keadaan Pepejal Bersepadu (ISSCC) tahun ini malah menetapkan tema persidangan sebagai: "Menggalakkan era baharu AI dengan litar bersepaduMajlis perasmian itu turut menyatakan tujuan persidangan ini untuk meneroka impak AI terhadap penyelidikan dalam bidang semikonduktor.
Empat penceramah di majlis perasmian tersebut menjelaskan bagaimana permintaan untuk kecerdasan buatan memacu reka bentuk pemproses khusus AI baharu (berbanding CPU dan GPU), bagaimana ia mempromosikan inovasi struktur (seperti penggunaan cip kecil, pakej berbilang cip atau reka bentuk pemalam), dan juga bagaimana ia mempengaruhi pembangunan pengkomputeran kuantum masa hadapan.  
Penceramah pertama di persidangan itu ialah Jeff Dean, ketua Google AI. Jeff Dean menyebut bahawa Google sedang bereksperimen denganMemanfaatkan pembelajaran mesin untuk melaksanakan tugasan tempat dan laluan dalam reka bentuk litar bersepadu, iaitu, membiarkan AI mempelajari susun atur dan pendawaian dalam litar bersepadu, menjimatkan tenaga kerja manusia pakar reka bentuk.      Perbandingan keputusan penempatan dan penghalaan pakar ASIC manusia dengan keputusan penempatan dan penghalaan cip pemecut ML berkuasa rendah. Google sengaja mengaburkan bahagian imej. (Sumber: Google Research / ISSCC)
Jeff Dean pertama kali memperkenalkan secara ringkas sejarah perkembangan AI dan ML, dan kemudian memperkenalkan bagaimana mesin belajar bermain backgammon, bagaimana Deep Blue bermain catur, dan bagaimana alphago mahir bermain Go. Dan AI kini boleh mengendalikan permainan video yang sangat kompleks (seperti "StarCraft") dan mencapai "keputusan penting." Pada masa yang sama, pembelajaran mesin juga digunakan secara meluas dalam pengimejan perubatan.Robotik, penglihatan komputer, pemanduan autonomi, neurosains, pertanian, ramalan cuaca dan bidang lain.  
  Selama beberapa dekad, idea asas yang mendorong perkembangan teknologi pengkomputeran adalahSemakin besar masalah, semakin banyak kuasa pengkomputeran yang kita berikan kepadanya. Semakin banyak kuasa pemprosesan yang anda miliki, semakin besar masalah yang boleh anda selesaikan. Untuk seketika, peraturan ini juga terpakai untuk menyelesaikan masalah AI. Walau bagaimanapun, peraturan ini dengan cepat dilanggar oleh ruang masalah yang meletup. Kerana kita tidak dapat menyimpan CPU/GPU yang mencukupi untuk menyelesaikan masalah sedemikian.  
Fakta telah membuktikan bahawaAI/ML tidak memerlukan kerumitan seperti CPU/GPU biasa, pengiraan yang diperlukan adalah lebih mudah dan ketepatan yang diperlukan adalah jauh lebih rendahImplikasi daripada penemuan ini ialah pemecut AI/ML khusus tidak perlu serumit CPU/GPU. Berdasarkan ini, Google mereka bentuk pemecut TensorFlow dan telah melancarkan produk generasi ketiga, dan produk generasi keempat akan dikeluarkan tidak lama lagi. Pemproses AI/ML agak mudah direka bentuk dan oleh itu agak murah, semuanya menjadikannya lebih mudah untuk mendorong pembelajaran mesin lebih jauh ke pinggir rangkaian. Sehingga 2019, Google sudah mempunyai model yang sangat padat yang tersedia pada telefon pintar.  
Setiap aplikasi berasaskan AI (pemanduan autonomi, pengimejan perubatan, permainan) pada peringkat semasa dilaksanakan dengan melatih sistem AI/ML khusus. Jadi, bolehkah AI mengaplikasikan pengetahuan yang dipelajari pada satu sistem kepada sistem baharu yang belum pernah dilihat sebelum ini? Jawapannya jelas: "YA".  
“Sebab saya membangkitkan perkara ini adalah kerana kami mula memikirkan tentang penggunaan AI untuk tempat dan laluan dalam reka bentuk ASIC,” kata Jeff Dean.Penempatan dan penghalaan jauh lebih sukar daripada Go:Matlamatnya lebih samar-samar, dan skala masalahnya lebih besar.". Google telah mencipta model pembelajaran tempat dan laluan dan kemudian cuba melihat sama ada alat itu boleh digeneralisasikan lebih lanjut. "Setakat ini, kami telah mendapat keputusan yang sangat baik dalam semua percubaan kami," kata Jeff Dean. Prestasinya sedikit lebih baik daripada manusia, kadangkala jauh lebih baik."Google membandingkan keberkesanan penggunaan pembelajaran mesin untuk penempatan dan penghalaan dengan perisian komersial. Litar ujian terdiri daripada beberapa modul yang berbeza, termasuk CPU Ariane RISC-V. (Sumber: Google Research / ISSCC)
"Lebih baik" bermaksud penempatan dan penghalaan dalam masa yang sangat singkat. Tugas ini biasanya mengambil masa seminggu atau beberapa minggu untuk disiapkan oleh pakar reka bentuk manusia. danTempat ML dan penghala biasanya boleh menyelesaikan jumlah kerja yang sama dalam masa 24 jam, dan wayar susun atur biasanya lebih pendek.Untuk prestasi ML dan penghala yang lebih cemerlang dalam penempatan dan penghalaan automatik, sila rujuk artikel "Pembelajaran Mesin dalam EDA Mempercepatkan Kitaran Reka Bentuk" yang ditulis oleh Rod Metcalfe dari Cadence.  
Jeff Dean berkata ML juga boleh diperluaskan ke bahagian lain dalam proses reka bentuk IC, termasuk menggunakan ML untuk membantu menjana kes ujian bagi mengesahkan reka bentuk ASIC dengan lebih lengkap; dan mungkin menggunakan ML untuk meningkatkan sintesis kod peringkat tinggi bagi mencapai reka bentuk yang lebih dioptimumkan. Arahan aplikasi yang mungkin ini penting untuk mempopularkan pembelajaran mesin itu sendiri, dan sama pentingnya untuk mempercepatkan kemajuan reka bentuk litar bersepadu.  
CPU/GPU berkos tinggi dan berkuasa tinggi tidak diperlukan, pengkomputeran pinggir boleh disesuaikan
   
Kou-Hung Loh, naib presiden kanan dan ketua pegawai strategi MediaTek, menegaskan bahawa peranti IoT menghubungkan berpuluh-puluh bilion perkara bersama-sama, tetapi AI sedang mengubah segala-galanya yang berkaitan dengan Internet.  
Sebahagian daripada sebab mengapa AI bergerak ke arah pengkomputeran pinggir adalah seperti yang disebut oleh Dean sebelum ini dalam bahagian ini, dan terdapat banyak lagi sebab termasuk:Mengurangkan beban pemprosesan yang semakin meningkat di pusat data dan meminimumkan trafik rangkaian, dan aplikasi masa nyata yang memerlukan penggunaan pemprosesan hampir setempat. Keperluan pemprosesan setempat: pantas (mesti direka khas untuk pengkomputeran AI), dan penggunaan kuasa yang rendah. Pemproses yang direka khas untuk AI ini dipanggil unit pemproses AI. APU boleh menjadi kurang fleksibel daripada CPU, tetapi kerana ia khusus,APU boleh berfungsi 20 kali lebih pantas daripada CPU dan menggunakan kuasa 55 kali lebih sedikit daripada CPU.  
Adakah sukar untuk mereka bentuk bersama berbilang sistem? AI membantu anda membuka lapan meridian yang luar biasa
   
Nadine Collaert, pengarah projek Imec, menegaskan bahawa Hukum Moore mungkin masih terpakai dalam beberapa tahun akan datang. Walaupun semakin sukar untuk mengecilkan CMOS, FinFET, nanosheet, forksheet dan teknologi lain boleh digunakan untuk mencapai penskalaan CMOS peringkat cip selanjutnya. Adalah dipercayai bahawa teknologi 3D adalah kaedah terbaik: termasuk penggunaan pembungkusan berbilang lapisan, lubang tembus dalam silikon dan sambungan peringkat halus dengan sel standard lain. Pilihan teknologi tertentu perlu ditentukan berdasarkan keperluan reka bentuk sistem dan atribut peranti yang tersedia. "Ia akan menjadi satu latihan yang kompleks," kata Collaert. Ini akan memberi banyak tekanan kepada pembekal EDA, kerana ia memerlukan pembekal EDA untuk menyokong percubaan dan perbandingan penyelesaian yang berbeza di peringkat alat.  
Modul bahagian hadapan sistem komunikasi tanpa wayar akan menjadi cabaran istimewa. “Biasanya, sistem ini adalah yang paling pelbagai: menggunakan pelbagai komponen daripada teknologi yang berbeza, dan modul bahagian hadapan menjadi lebih kompleks dengan penambahan antena, PA dan penapis.”Industri komunikasi tanpa wayar sedang bergerak ke arah frekuensi yang lebih tinggi dan kecekapan yang lebih tinggiSatu pilihan adalah dengan menggabungkan bahan III-V seperti GaN dan SiC dengan CMOS untuk mendapatkan kelebihan kedua-dua bahan tersebut. Nadine Collaert memberikan contoh gambar nano-rabung 3D dengan bahan III-V yang ditumbuhkan pada substrat silikon atas penebat (SOI), sambil menunjukkan bahawa masih banyak kerja yang perlu dilakukan di sini.      Imec menunjukkan keupayaannya untuk menumbuhkan nano-rabung 3D bahan III-V pada silikon pada substrat penebat (SOI)
Bagi kesan pembelajaran mesin terhadap memori, ia lebih jelas lagi. Aplikasi baharu seperti AI dan ML memerlukan akses pantas kepada memori. Orang ramai perlu segera memberi perhatian dan membangunkan pengkomputeran memori. Memandangkan logik dan storan menjadi semakin rapat, pembungkusan 3D pastinya akan memainkan peranan penting.  
Memperkasakan satu sama lain, pengkomputeran kuantum dan kecerdasan buatan boleh saling melengkapi
   
 

Pengarah Penyelidikan IBM, Dario Gil, selanjutnya menyebut tentang AI umum di persidangan itu: Hampir pasti bahawa AI umum akan dilaksanakan pada komputer kuantum. beliau menyimpulkanManfaat terbesar mungkin datang daripada penggunaan bit (pemprosesan nombor), neuron (AI) dan qubit (pengkomputeran kuantum) yang saling melengkapi.IBM membuka akses kepada komputer kuantum pertama pada tahun 2016 dan kini mempunyai akses kepada 15 komputer kuantum, termasuk model 53-qubit terkininya.

Penafian: Artikel ini dicetak semula daripada "Xinzhiyuan". Artikel ini hanya mewakili pandangan peribadi penulis dan tidak mewakili pandangan Sacco Micro dan industri. Ia hanya dicetak semula dan dikongsi untuk menyokong perlindungan hak harta intelek. Sila nyatakan sumber asal dan penulis untuk dicetak semula. Jika terdapat sebarang pelanggaran, sila hubungi kami untuk memadamkannya.

Nombor telefon syarikat: +86-0755-83044319
Faks/FAKS: +86-0755-83975897
E-mel: 1615456225@qq.com
SQ: 3518641314 Pengurus Li

QQ: 332496225 Pengurus Qiu

Alamat: Bilik 809, Bangunan C, Bangunan Teknologi Zhantao, No. 1079 Minzhi Avenue, Daerah Baharu Longhua, Shenzhen