[Wprowadzenie do Nowej Mądrości]Tradycyjne projektowanie układów scalonych jest czasochłonne i pracochłonne. Czy sztuczna inteligencja może poprawić wydajność pracy? Podczas tegorocznej konferencji Integrated Solid-State Circuit Conference czterech liderów, w tym Jeff Dean, szef Google AI, wyjaśniło znaczący wpływ zastosowań AI na procesory, komputery kwantowe, innowacje strukturalne itp. „Xinzhiyuan pilnie poszukuje głównych autorów, redaktorów, kierowników operacyjnych i account managerów. Dodaj HR WeChat (Dr-wly) lub zeskanuj kod QR na końcu artykułu, aby dowiedzieć się więcej”.

Tematem tegorocznej konferencji Integrated Solid State Circuits Conference (ISSCC) jest „Układy scalone napędzające erę sztucznej inteligencji„a sesja plenarna otwierająca sesję miała na celu przedstawienie zakresu, w jakim sztuczna inteligencja „zmienia” przestrzeń półprzewodników.
 

Jeff Dean, szef Google AI, Kou-Hung Loh, starszy wiceprezes MediaTek, Nadine Collaert, dyrektor projektu Imec i Dario Gil, dyrektor IBM Research, odpowiednio wyjaśnili oczekiwania i wymagania dotyczące AI w dziedzinie elektroniki, na przykład w jaki sposób napędzać nowe procesory (oraz procesory CPU i GPU) zaprojektowane specjalnie dla zastosowań AI, promować innowacje strukturalne (takie jak małe układy scalone, pakiety wieloprocesorowe, przejściówki), a nawet wpływać na rozwój komputerów kwantowych.
 
Czy układ i routing zajmują zbyt dużo czasu? Google AI pomaga obniżyć koszty i zwiększyć wydajność
   
W zeszłym tygodniu w San Francisco odbyła się konferencja ISSCC. Podczas konferencji Google stwierdziło, że sztuczna inteligencja jest równie ważna, jak projektowanie układów scalonych, i ogłosiłoGoogle próbuje wykorzystać uczenie maszynowe do rozwiązywania problemów związanych z automatycznym układem i trasowaniem w procesie projektowania układów scalonychi osiągnął dobre wyniki.  
Zastosowanie sztucznej inteligencji stało się w ostatnich latach jednym z głównych obszarów zainteresowania i priorytetów badań w dziedzinie elektroniki. Kierunek ten przyciągnął wielu badaczy półprzewodników do zaangażowania się w badania związane z połączeniem tradycyjnych kierunków i sztucznej inteligencji. W szczególności tegoroczna konferencja Integrated Solid-State Circuit Conference (ISSCC) obrała sobie za temat: „Promowanie nowej ery sztucznej inteligencji za pomocą układów scalonychPodczas ceremonii otwarcia podkreślono również, że celem konferencji jest zbadanie wpływu sztucznej inteligencji na badania w dziedzinie półprzewodników.
Czterech mówców podczas ceremonii otwarcia wyjaśniło, w jaki sposób zapotrzebowanie na sztuczną inteligencję wpływa na projektowanie nowych procesorów przeznaczonych specjalnie dla AI (w porównaniu do procesorów CPU i GPU), w jaki sposób promuje innowacje strukturalne (takie jak stosowanie małych układów scalonych, pakietów wieloprocesorowych lub projektów wtyczek), a nawet w jaki sposób wpływa na rozwój przyszłych komputerów kwantowych.  
Pierwszym prelegentem na konferencji był Jeff Dean, szef Google AI. Jeff Dean wspomniał, że Google eksperymentuje zWykorzystanie uczenia maszynowego do realizacji zadań związanych z rozmieszczaniem i trasowaniem w projektowaniu układów scalonychczyli umożliwienie sztucznej inteligencji uczenia się układu i okablowania w układach scalonych, oszczędzając w ten sposób ludzkiej pracy projektantom.      Porównanie wyników rozmieszczenia i trasowania danych uzyskanych przez eksperta ASIC z wynikami rozmieszczenia i trasowania danych uzyskanymi przez niskonapięciowy układ akceleratora ML. Google celowo zasłoniło fragmenty obrazu. (Źródło: Google Research / ISSCC)
Jeff Dean najpierw krótko przedstawił historię rozwoju sztucznej inteligencji (AI) i uczenia maszynowego (ML), a następnie opowiedział, jak maszyny uczą się grać w tryktraka, jak Deep Blue gra w szachy i jak Alphago radzi sobie z grą w Go. Sztuczna inteligencja potrafi teraz obsługiwać bardzo złożone gry wideo (takie jak „StarCraft”) i osiągać „przełomowe wyniki”. Jednocześnie uczenie maszynowe jest szeroko stosowane w obrazowaniu medycznym.Robotyka, widzenie komputerowe, autonomiczne prowadzenie pojazdów, neuronauka, rolnictwo, prognozowanie pogody i inne dziedziny.  
  Przez dziesięciolecia podstawową ideą, która napędzała rozwój technologii komputerowej, byłoIm większy problem, tym więcej mocy obliczeniowej mu damy. Im większa moc obliczeniowa, tym większe problemy można rozwiązać. Przez pewien czas ta zasada obowiązywała również w rozwiązywaniu problemów związanych ze sztuczną inteligencją. Jednak szybko została ona złamana przez eksplodującą przestrzeń obliczeniową. Ponieważ po prostu nie jesteśmy w stanie zaoszczędzić wystarczającej mocy obliczeniowej procesora/karty graficznej, aby rozwiązać taki problem.  
Fakty to udowodniłySztuczna inteligencja/uczenie maszynowe nie wymaga złożoności typowego procesora CPU/GPU, wymagana matematyka jest prostsza, a wymagana dokładność jest znacznie niższaImplikacją tego odkrycia jest to, że dedykowane akceleratory AI/ML nie muszą być tak złożone jak procesory CPU/GPU. W oparciu o to, Google zaprojektowało akcelerator TensorFlow i wprowadziło na rynek produkt trzeciej generacji, a czwarta generacja wkrótce zostanie udostępniona. Procesory AI/ML są stosunkowo proste w projektowaniu, a zatem stosunkowo tanie, co ułatwia dalsze wykorzystanie uczenia maszynowego na obrzeżach sieci. Od 2019 roku Google ma już bardzo kompaktowy model dostępny na smartfonach.  
Każda aplikacja oparta na sztucznej inteligencji (jazda autonomiczna, obrazowanie medyczne, gry) na obecnym etapie jest wdrażana poprzez trenowanie dedykowanych systemów AI/ML. Czy zatem sztuczna inteligencja może zastosować wiedzę zdobytą w jednym systemie do nowego systemu, którego nigdy wcześniej nie widziała? Odpowiedź jest oczywista: „TAK”.  
„Wspominam o tym, ponieważ zaczęliśmy myśleć o wykorzystaniu sztucznej inteligencji do określania miejsca i trasy w projektowaniu układów ASIC” – powiedział Jeff Dean.Umieszczanie i trasowanie jest o wiele trudniejsze niż w języku Go:Cel jest mniej konkretny, a skala problemu większa.Google stworzyło model uczenia się miejsca i trasy, a następnie sprawdziło, czy narzędzie można dalej uogólnić. „Jak dotąd osiągnęliśmy bardzo dobre rezultaty we wszystkich naszych próbach” – powiedział Jeff Dean. Jego wydajność jest nieco lepsza niż u ludzi, a czasami znacznie lepsza”.Google porównało skuteczność wykorzystania uczenia maszynowego do rozmieszczania i trasowania z oprogramowaniem komercyjnym. Obwód testowy składa się z kilku różnych modułów, w tym procesora Ariane RISC-V. (Źródło: Google Research / ISSCC)
„Lepsze” oznacza rozmieszczenie i trasowanie w bardzo krótkim czasie. To zadanie zazwyczaj zajęłoby tydzień, a nawet tygodnie, gdyby wykonał je ekspert w dziedzinie projektowania.Miejsce ML i router mogą zazwyczaj wykonać tę samą ilość pracy w ciągu 24 godzin, a przewody układu są zwykle krótszeAby uzyskać więcej informacji na temat doskonałej wydajności ML Place and Router w automatycznym rozmieszczaniu i trasowaniu, zapoznaj się z artykułem „Machine Learning in EDA Speeds Up the Design Cycle” autorstwa Roda Metcalfe'a z Cadence.  
Jeff Dean powiedział, że uczenie maszynowe może zostać również rozszerzone na inne etapy procesu projektowania układów scalonych, w tym na wykorzystanie uczenia maszynowego do generowania przypadków testowych w celu pełniejszej weryfikacji projektów układów ASIC, a być może także do usprawnienia syntezy kodu wysokiego poziomu w celu uzyskania bardziej zoptymalizowanych projektów. Te możliwe kierunki zastosowań są istotne dla popularyzacji uczenia maszynowego, a także dla przyspieszenia postępu w projektowaniu układów scalonych.  
Nie jest wymagany drogi i wydajny procesor/procesor graficzny, można dostosować przetwarzanie brzegowe
   
Kou-Hung Loh, starszy wiceprezes i dyrektor ds. strategii w firmie MediaTek, podkreślił, że urządzenia IoT łączą ze sobą dziesiątki miliardów rzeczy, ale sztuczna inteligencja zmienia wszystko, co jest podłączone do Internetu.  
Jednym z powodów, dla których sztuczna inteligencja zmierza w kierunku przetwarzania brzegowego, jest to, o czym Dean wspomniał wcześniej w tej sekcji. Powodów jest wiele, m.in.:Zmniejsz rosnące obciążenie przetwarzania w centrach danych i zminimalizuj ruch sieciowyoraz aplikacje czasu rzeczywistego wymagające przetwarzania bliskiego lokalnemu. Wymagania dotyczące przetwarzania lokalnego: szybkość (musi być specjalnie zaprojektowane do obliczeń AI) i niskie zużycie energii. Te procesory zaprojektowane specjalnie do AI nazywane są jednostkami procesorowymi AI. APU może być mniej elastyczny niż CPU, ale ponieważ jest dedykowany,APU może działać 20 razy szybciej niż procesor CPU i zużywać 55 razy mniej energii niż procesor CPU.  
Czy współprojektowanie wielu systemów jest trudne? Sztuczna inteligencja pomaga otworzyć osiem niezwykłych meridianów
   
Nadine Collaert, dyrektor projektu w Imec, zwróciła uwagę, że prawo Moore'a może nadal obowiązywać w ciągu najbliższych kilku lat. Chociaż zmniejszanie CMOS staje się coraz trudniejsze, tranzystory FinFET, nanopłytki, arkusze forksheet i inne technologie mogą być wykorzystane do dalszego skalowania CMOS na poziomie układu scalonego. Uważa się, że technologia 3D jest najlepszą metodą: obejmuje ona zastosowanie wielowarstwowych obudów, otworów przelotowych w krzemie i precyzyjnych połączeń z innymi standardowymi ogniwami. Wybór konkretnej technologii musi zostać określony w oparciu o wymagania projektowe systemu i dostępne atrybuty urządzenia. „To będzie złożone zadanie” – powiedziała Collaert. Będzie to wywierać dużą presję na dostawców EDA, ponieważ wymaga od nich wsparcia w testowaniu i porównywaniu różnych rozwiązań na poziomie narzędzi.  
Moduły front-end systemów komunikacji bezprzewodowej staną się szczególnym wyzwaniem. „Zazwyczaj te systemy są najbardziej zróżnicowane: wykorzystują wiele różnych komponentów z różnych technologii, a moduły front-end stają się bardziej złożone wraz z dodawaniem anten, PA i filtrów”.Branża komunikacji bezprzewodowej zmierza w kierunku wyższych częstotliwości i wyższej wydajnościJedną z opcji jest połączenie materiałów III-V, takich jak GaN i SiC, z technologią CMOS, aby wykorzystać zalety obu materiałów. Nadine Collaert przedstawiła przykładowy trójwymiarowy nano-grzbiet z materiałami III-V wyhodowanymi na podłożu krzemowym na izolatorze (SOI), wskazując jednocześnie, że wciąż jest wiele do zrobienia w tym zakresie.      Imec demonstruje swoją zdolność do tworzenia trójwymiarowych nano-grzbietów z materiałów III-V na podłożach krzemowych na izolatorze (SOI)
Wpływ uczenia maszynowego na pamięć jest jeszcze bardziej oczywisty. Nowe aplikacje, takie jak sztuczna inteligencja i uczenie maszynowe, wymagają szybkiego dostępu do pamięci. Ludzie pilnie muszą zwrócić uwagę na przetwarzanie pamięci i rozwijać je. Wraz ze zbliżaniem się logiki i pamięci masowej, pakowanie 3D z pewnością odegra ważną rolę.  
Wzajemne wzmacnianie się komputerów kwantowych i sztucznej inteligencji może się wzajemnie uzupełniać
   
 

Dyrektor ds. badań w IBM, Dario Gil, wspomniał na konferencji o uogólnionej sztucznej inteligencji: Jest niemal pewne, że uogólniona sztuczna inteligencja zostanie wdrożona na komputerach kwantowych. podsumowałNajwiększe korzyści mogą wynikać z uzupełniającego się wykorzystania bitów (przetwarzanie liczb), neuronów (sztuczna inteligencja) i kubitów (obliczenia kwantowe)Firma IBM udostępniła dostęp do pierwszego komputera kwantowego w 2016 r. i obecnie ma dostęp do 15 komputerów kwantowych, w tym do najnowszego modelu o architekturze 53 kubitów.

Zastrzeżenie: Niniejszy artykuł został przedrukowany z „Xinzhiyuan”. Artykuł ten przedstawia wyłącznie osobiste poglądy autora i nie reprezentuje poglądów Sacco Micro ani branży. Jest on przedrukowywany i udostępniany wyłącznie w celu ochrony praw własności intelektualnej. Prosimy o podanie oryginalnego źródła i autora przedruku. W przypadku naruszenia prosimy o kontakt w celu usunięcia artykułu.

Numer telefonu firmy: +86-0755-83044319
Faks/FAKS: +86-0755-83975897
E-mail: 1615456225@qq.com
QQ: 3518641314 Menedżer Li

QQ: 332496225 Menedżer Qiu

Adres: Pokój 809, Budynek C, Budynek Technologii Zhantao, nr 1079 Minzhi Avenue, Nowa Dzielnica Longhua, Shenzhen