[Inleiding tot de Nieuwe Wijsheid]Traditioneel ontwerp van geïntegreerde schakelingen is tijdrovend en arbeidsintensief. Kan kunstmatige intelligentie (AI) worden ingezet om de efficiëntie te verbeteren? Op de Integrated Solid-State Circuit Conference van dit jaar lichtten vier leiders, waaronder Jeff Dean, hoofd AI bij Google, de aanzienlijke impact toe van AI-toepassingen op processors, kwantumcomputing, structurele innovatie, enzovoort. "Xinzhiyuan is dringend op zoek naar hoofdredacteuren, editors, operations managers en accountmanagers. Voeg HR toe op WeChat (Dr-wly) of scan de QR-code aan het einde van het artikel voor meer informatie."

Het thema van de Integrated Solid State Circuits Conference (ISSCC) van dit jaar is “Geïntegreerde circuits als drijvende kracht achter het AI-tijdperk.De openingsplenaire sessie was bedoeld om in kaart te brengen in hoeverre AI de halfgeleidersector aan het 'veranderen' is.
 

Jeff Dean, hoofd van Google AI, Kou-Hung Loh, senior vicepresident van MediaTek, Nadine Collaert, projectdirecteur van Imec, en Dario Gil, directeur van IBM Research, lichtten respectievelijk de verwachtingen en vereisten voor AI in de elektronicasector toe. Ze bespraken onder andere hoe nieuwe processors (naast CPU's en GPU's) specifiek ontworpen voor AI-toepassingen aangestuurd kunnen worden; hoe structurele innovatie bevorderd kan worden (zoals kleine chips, multi-chippakketten en interposers); en zelfs hoe de ontwikkeling van kwantumcomputing beïnvloed kan worden.
 
Kost het ontwerpen en uitzetten van routes te veel tijd? Google AI helpt je kosten te verlagen en de efficiëntie te verhogen.
   
De ISSCC-conferentie vond vorige week plaats in San Francisco. Tijdens de conferentie verklaarde Google dat kunstmatige intelligentie net zo belangrijk is voor circuitontwerp en kondigde aan...Google probeert machine learning in te zetten om geautomatiseerde lay-out- en routingproblemen in het ontwerpproces van geïntegreerde schakelingen op te lossen.en behaalde goede resultaten.  
De toepassing van kunstmatige intelligentie is de afgelopen jaren een belangrijk onderzoeksthema en focuspunt binnen de elektronica. Deze richting heeft een groot aantal halfgeleideronderzoekers aangetrokken om onderzoek te doen naar de combinatie van traditionele onderzoeksrichtingen en kunstmatige intelligentie. Het Integrated Solid-State Circuit Conference (ISSCC) van dit jaar had als thema zelfs: "Een nieuw tijdperk van AI inluiden met geïntegreerde schakelingenTijdens de openingsceremonie werd tevens het doel van de conferentie uiteengezet: het onderzoeken van de impact van AI op onderzoek in de halfgeleidersector.
De vier sprekers tijdens de openingsceremonie legden uit hoe de vraag naar kunstmatige intelligentie de ontwikkeling van nieuwe, AI-specifieke processoren (in vergelijking met CPU's en GPU's) stimuleert, hoe dit structurele innovatie bevordert (zoals het gebruik van kleine chips, multi-chippakketten of plug-in-ontwerpen) en zelfs hoe het de ontwikkeling van toekomstige kwantumcomputers beïnvloedt.  
De eerste spreker op de conferentie was Jeff Dean, hoofd van Google AI. Jeff Dean gaf aan dat Google experimenteert met...Het benutten van machine learning voor het uitvoeren van plaatsings- en routeringstaken in het ontwerp van geïntegreerde schakelingen.Dat wil zeggen, AI de lay-out en bedrading van geïntegreerde schakelingen laten leren, waardoor de menselijke arbeid van ontwerpdeskundigen wordt bespaard.      Vergelijking van de plaatsings- en routeringsresultaten van een menselijke ASIC-expert met de plaatsings- en routeringsresultaten van een energiezuinige ML-acceleratorchip. Google heeft opzettelijk delen van de afbeelding onleesbaar gemaakt. (Bron: Google Research / ISSCC)
Jeff Dean gaf eerst een korte introductie over de ontwikkelingsgeschiedenis van AI en ML, en legde vervolgens uit hoe machines leren backgammon te spelen, hoe Deep Blue schaakt en hoe AlphaGo goed is in Go. AI kan nu zeer complexe videogames (zoals "StarCraft") aan en behaalt baanbrekende resultaten. Tegelijkertijd wordt machine learning ook veelvuldig gebruikt in medische beeldvorming.Robotica, computervisie, autonoom rijden, neurowetenschappen, landbouw, weersvoorspelling en andere vakgebieden..  
  Het basisidee dat al decennialang de ontwikkeling van computertechnologie aandrijft, isHoe groter het probleem, hoe meer rekenkracht we eraan toekennen. Hoe meer processorkracht je hebt, hoe grotere problemen je kunt oplossen. Deze regel gold een tijdlang ook voor het oplossen van AI-problemen. Deze regel werd echter al snel doorbroken door de explosieve groei van de probleemruimte. We kunnen simpelweg niet genoeg CPU/GPU vrijmaken om zo'n probleem op te lossen.  
De feiten hebben bewezen datAI/ML vereist niet de complexiteit van een typische CPU/GPU, de benodigde wiskunde is eenvoudiger en de vereiste nauwkeurigheid is veel lager.De implicatie van deze ontdekking is dat speciale AI/ML-acceleratoren niet zo complex hoeven te zijn als CPU's/GPU's. Op basis hiervan heeft Google de TensorFlow-accelerator ontworpen en de derde generatie gelanceerd; de vierde generatie volgt binnenkort. AI/ML-processors zijn relatief eenvoudig te ontwerpen en daardoor relatief goedkoop, wat het gemakkelijker maakt om machine learning verder naar de rand van het netwerk te brengen. Google heeft in 2019 al een zeer compact model beschikbaar voor smartphones.  
Elke AI-gebaseerde toepassing (autonoom rijden, medische beeldvorming, gaming) wordt momenteel geïmplementeerd door het trainen van specifieke AI/ML-systemen. Kan AI de kennis die het op één systeem heeft opgedaan toepassen op een nieuw systeem dat het nog nooit eerder heeft gezien? Het antwoord is duidelijk: "JA".  
"De reden dat ik dit aanhaal, is omdat we zijn gaan nadenken over het gebruik van AI voor plaatsing en routering bij het ontwerpen van ASIC's," aldus Jeff Dean.Plaatsing en routing is veel lastiger dan bij Go:Het doel is vager en het probleem is omvangrijker."Google heeft een leermodel voor locatie en route ontwikkeld en vervolgens onderzocht of de tool verder gegeneraliseerd kan worden. 'Tot nu toe hebben we bij al onze pogingen zeer goede resultaten behaald', aldus Jeff Dean. De prestaties zijn iets beter dan die van mensen, soms zelfs veel beter."Google vergeleek de effectiviteit van machine learning voor plaatsing en routering met commerciële software. Het testcircuit bestaat uit verschillende modules, waaronder een Ariane RISC-V CPU. (Bron: Google Research / ISSCC)
"Beter" betekent plaatsing en routing in zeer korte tijd. Normaal gesproken zou een menselijke ontwerpexpert hier een week of zelfs meerdere weken voor nodig hebben.ML-plaatsingsmachines en routers kunnen doorgaans dezelfde hoeveelheid werk in 24 uur verrichten, en de bedrading is meestal korter.Voor nog betere prestaties van ML place and router bij automatische plaatsing en routering, verwijzen we u naar het artikel "Machine Learning in EDA Speeds Up the Design Cycle" van Rod Metcalfe van Cadence.  
Jeff Dean zei dat machine learning (ML) mogelijk ook kan worden uitgebreid naar andere onderdelen van het IC-ontwerpproces, bijvoorbeeld door ML te gebruiken om testgevallen te genereren voor een grondigere verificatie van ASIC-ontwerpen; en wellicht door ML te gebruiken om de synthese van code op hoog niveau te verbeteren en zo tot meer geoptimaliseerde ontwerpen te komen. Deze mogelijke toepassingsrichtingen zijn belangrijk voor de popularisering van machine learning zelf, en even belangrijk voor het versnellen van de vooruitgang in het ontwerp van geïntegreerde schakelingen.  
Dure en krachtige CPU's/GPU's zijn niet nodig; edge computing kan op maat worden gemaakt.
   
Kou-Hung Loh, senior vice president en chief strategy officer van MediaTek, benadrukte dat IoT-apparaten tientallen miljarden dingen met elkaar verbinden, maar dat AI alles wat met internet verbonden is, verandert.  
Een van de redenen waarom AI zich richting edge computing beweegt, is zoals Dean eerder in dit gedeelte al aangaf, maar er zijn nog veel meer redenen, waaronder:Ontlast de steeds grotere verwerkingslast van datacenters en minimaliseer het netwerkverkeer.En realtime-applicaties die gebruikmaken van bijna-lokale verwerking. Vereisten voor lokale verwerking: snel (moet speciaal ontworpen zijn voor AI-computing) en laag energieverbruik. Deze processors, speciaal ontworpen voor AI, worden AI-processoreenheden (APU's) genoemd. Een APU kan minder flexibel zijn dan een CPU, maar omdat deze specifiek is ontworpen voor AI,Een APU kan tot 20 keer sneller presteren dan een CPU en verbruikt 55 keer minder stroom dan een CPU..  
Is het lastig om meerdere systemen tegelijk te ontwerpen? AI helpt je de acht buitengewone meridianen te ontsluiten.
   
Nadine Collaert, projectdirecteur bij Imec, wees erop dat de wet van Moore de komende jaren mogelijk nog steeds van toepassing zal zijn. Hoewel het steeds moeilijker wordt om CMOS te verkleinen, kunnen FinFETs, nanosheets, forksheets en andere technologieën worden gebruikt om CMOS op chipniveau verder te verkleinen. Men is van mening dat 3D-technologie de beste methode is: inclusief het gebruik van meerlaagse verpakkingen, doorvoergaten in silicium en fijne verbindingen met andere standaardcellen. De keuze voor een specifieke technologie moet worden bepaald op basis van de systeemontwerpeisen en de beschikbare apparaateigenschappen. "Het wordt een complexe oefening", aldus Collaert. Dit zal veel druk leggen op EDA-leveranciers, omdat zij de proefneming en vergelijking van verschillende oplossingen op toolniveau moeten ondersteunen.  
De front-end modules van draadloze communicatiesystemen zullen een bijzondere uitdaging vormen. "Deze systemen zijn doorgaans het meest divers: ze maken gebruik van veel verschillende componenten uit diverse technologieën, en de front-end modules worden steeds complexer door de toevoeging van antennes, eindversterkers en filters."De draadloze communicatie-industrie beweegt zich richting hogere frequenties en een hogere efficiëntie.Een mogelijkheid is om III-V-materialen zoals GaN en SiC te combineren met CMOS om de voordelen van beide materialen te benutten. Nadine Collaert gaf een voorbeeldfoto van een 3D-nanoribbel met III-V-materialen gegroeid op een silicium-op-isolator (SOI)-substraat, maar benadrukte dat er op dit gebied nog veel werk te verzetten is.      Imec demonstreert zijn vermogen om 3D-nanoribbels van III-V-materialen te laten groeien op silicium-op-isolator (SOI)-substraten.
Wat de impact van machine learning op geheugen betreft, is die nog duidelijker. Nieuwe toepassingen zoals AI en ML vereisen snelle toegang tot het geheugen. Er moet dringend aandacht worden besteed aan en ontwikkeling worden gedaan op het gebied van geheugencomputing. Naarmate logica en opslag steeds dichter bij elkaar komen, zal 3D-verpakking zeker een belangrijke rol spelen.  
Kwantumcomputing en kunstmatige intelligentie kunnen elkaar versterken en aanvullen.
   
 

IBM Research Director Dario Gil sprak tijdens de conferentie verder over gegeneraliseerde AI: "Het is vrijwel zeker dat gegeneraliseerde AI op kwantumcomputers zal worden geïmplementeerd", concludeerde hij.De grootste voordelen komen mogelijk voort uit het complementaire gebruik van bits (getalverwerking), neuronen (AI) en qubits (kwantumcomputing).IBM gaf in 2016 toegang tot de eerste kwantumcomputer en heeft nu toegang tot 15 kwantumcomputers, waaronder het nieuwste model met 53 qubits.

Disclaimer: Dit artikel is overgenomen uit "Xinzhiyuan". Dit artikel geeft uitsluitend de persoonlijke mening van de auteur weer en vertegenwoordigt niet de standpunten van Sacco Micro en de sector. Het wordt alleen overgenomen en gedeeld ter ondersteuning van de bescherming van intellectuele eigendomsrechten. Vermeld bij overname de oorspronkelijke bron en auteur. Neem bij inbreuk op het auteursrecht contact met ons op zodat we het artikel kunnen verwijderen.

Telefoonnummer van het bedrijf: +86-0755-83044319
Fax: +86-0755-83975897
E-mail: 1615456225@qq.com
Vraag: 3518641314 Manager Li

Vraag: 332496225 Manager Qiu

Adres: Kamer 809, Gebouw C, Zhantao Technologiegebouw, Minzhilaan 1079, Longhua Nieuw District, Shenzhen