[บทนำสู่ภูมิปัญญาใหม่]การออกแบบวงจรรวมแบบดั้งเดิมนั้นใช้เวลานานและต้องใช้ความพยายามอย่างมาก ปัญญาประดิษฐ์ (AI) สามารถนำมาใช้เพื่อเพิ่มประสิทธิภาพการทำงานได้หรือไม่? ในการประชุม Integrated Solid-State Circuit Conference ปีนี้ ผู้นำสี่ท่าน รวมถึง Jeff Dean หัวหน้าฝ่าย AI ของ Google ได้อธิบายถึงผลกระทบที่สำคัญของการประยุกต์ใช้ AI ในด้านโปรเซสเซอร์ การคำนวณควอนตัม นวัตกรรมโครงสร้าง ฯลฯ "ซินจือหยวนกำลังมองหาหัวหน้าผู้เขียน บรรณาธิการ ผู้จัดการฝ่ายปฏิบัติการ และผู้จัดการบัญชีอย่างเร่งด่วน เพิ่มฝ่ายบุคคลใน WeChat (ดร.-วลี่) หรือสแกนคิวอาร์โค้ดที่ท้ายบทความเพื่อเรียนรู้เพิ่มเติม"

หัวข้อหลักของการประชุม Integrated Solid State Circuits Conference (ISSCC) ในปีนี้คือ “วงจรรวมเป็นพลังขับเคลื่อนยุคปัญญาประดิษฐ์และช่วงการประชุมใหญ่เปิดงานมีจุดประสงค์เพื่อสำรวจขอบเขตที่ปัญญาประดิษฐ์กำลัง "เปลี่ยนแปลง" อุตสาหกรรมเซมิคอนดักเตอร์
 

เจฟฟ์ ดีน หัวหน้าฝ่าย AI ของ Google, คู-ฮุง โลห์ รองประธานอาวุโสของ MediaTek, นาดีน คอลลาเอิร์ต ผู้อำนวยการโครงการของ Imec และดาริโอ กิล ผู้อำนวยการของ IBM Research ได้อธิบายถึงความคาดหวังและข้อกำหนดสำหรับ AI ในสาขาอิเล็กทรอนิกส์ ตามลำดับ เช่น วิธีการพัฒนาโปรเซสเซอร์ใหม่ (รวมถึง CPU และ GPU) ที่ออกแบบมาโดยเฉพาะสำหรับแอปพลิเคชัน AI; การส่งเสริมนวัตกรรมเชิงโครงสร้าง (เช่น ชิปขนาดเล็ก แพ็คเกจหลายชิป ตัวเชื่อมต่อ); และแม้กระทั่งผลกระทบต่อการพัฒนาคอมพิวเตอร์ควอนตัม
 
การจัดวางและกำหนดเส้นทางใช้เวลานานเกินไปหรือไม่? AI ของ Google ช่วยคุณลดต้นทุนและเพิ่มประสิทธิภาพ
   
การประชุม ISSCC จัดขึ้นที่ซานฟรานซิสโกเมื่อสัปดาห์ที่แล้ว ในระหว่างการประชุม Google ได้กล่าวว่าปัญญาประดิษฐ์มีความสำคัญเท่าเทียมกับการออกแบบวงจร และได้ประกาศ...Google กำลังพยายามใช้แมชชีนเลิร์นนิงเพื่อแก้ปัญหาการจัดวางและกำหนดเส้นทางอัตโนมัติในกระบวนการออกแบบวงจรรวมและได้ผลลัพธ์ที่ดี  
การประยุกต์ใช้ปัญญาประดิษฐ์เป็นประเด็นวิจัยที่ได้รับความสนใจอย่างมากในสาขาอิเล็กทรอนิกส์ในช่วงไม่กี่ปีที่ผ่านมา ทิศทางนี้ดึงดูดนักวิจัยด้านเซมิคอนดักเตอร์จำนวนมากให้เข้ามามีส่วนร่วมในการวิจัยที่เกี่ยวข้องกับการผสมผสานระหว่างทิศทางดั้งเดิมและปัญญาประดิษฐ์ โดยเฉพาะอย่างยิ่ง การประชุม Integrated Solid-State Circuit Conference (ISSCC) ในปีนี้ได้กำหนดหัวข้อหลักของการประชุมไว้ว่า: "ส่งเสริมยุคใหม่ของปัญญาประดิษฐ์ด้วยวงจรรวมในพิธีเปิดยังได้ระบุถึงวัตถุประสงค์ของการประชุมครั้งนี้ คือการสำรวจผลกระทบของปัญญาประดิษฐ์ต่อการวิจัยในสาขาเซมิคอนดักเตอร์ด้วย
วิทยากรทั้งสี่ท่านในพิธีเปิดได้อธิบายว่า ความต้องการปัญญาประดิษฐ์ (AI) กำลังผลักดันการออกแบบโปรเซสเซอร์เฉพาะสำหรับ AI รุ่นใหม่ (เมื่อเทียบกับ CPU และ GPU) อย่างไร รวมถึงส่งเสริมการสร้างนวัตกรรมเชิงโครงสร้าง (เช่น การใช้ชิปขนาดเล็ก แพ็คเกจหลายชิป หรือการออกแบบแบบเสียบปลั๊ก) และแม้กระทั่งส่งผลกระทบต่อการพัฒนาการคำนวณควอนตัมในอนาคตอย่างไร  
วิทยากรคนแรกในการประชุมคือ เจฟฟ์ ดีน หัวหน้าฝ่าย AI ของ Google เจฟฟ์ ดีน กล่าวว่า Google กำลังทดลองกับ...การใช้ประโยชน์จากแมชชีนเลิร์นนิงเพื่อดำเนินการวางตำแหน่งและกำหนดเส้นทางในงานออกแบบวงจรรวมกล่าวคือ การปล่อยให้ AI เรียนรู้รูปแบบและการเดินสายไฟในวงจรรวม ซึ่งจะช่วยประหยัดแรงงานของผู้เชี่ยวชาญด้านการออกแบบ      การเปรียบเทียบผลลัพธ์การจัดวางและการเดินสายของชิป ASIC โดยผู้เชี่ยวชาญด้านมนุษย์ กับผลลัพธ์การจัดวางและการเดินสายของชิปเร่งความเร็ว ML พลังงานต่ำ Google จงใจปิดบังบางส่วนของภาพ (ที่มา: Google Research / ISSCC)
เจฟฟ์ ดีน เริ่มต้นด้วยการแนะนำประวัติการพัฒนาของ AI และ ML อย่างคร่าวๆ จากนั้นจึงอธิบายว่าเครื่องจักรเรียนรู้การเล่นแบ็กแกมมอนได้อย่างไร Deep Blue เล่นหมากรุกได้อย่างไร และ Alphago เก่งในการเล่นโกะได้อย่างไร และปัจจุบัน AI สามารถจัดการกับวิดีโอเกมที่ซับซ้อนมาก (เช่น "StarCraft") และบรรลุ "ผลลัพธ์ที่สำคัญ" ได้แล้ว ในขณะเดียวกัน การเรียนรู้ของเครื่องจักรก็ถูกนำมาใช้กันอย่างแพร่หลายในด้านการถ่ายภาพทางการแพทย์ด้วยหุ่นยนต์, คอมพิวเตอร์วิชั่น, การขับขี่อัตโนมัติ, ประสาทวิทยาศาสตร์, เกษตรกรรม, การพยากรณ์อากาศ และสาขาอื่นๆ.  
  เป็นเวลาหลายทศวรรษแล้วที่แนวคิดพื้นฐานที่ขับเคลื่อนการพัฒนาเทคโนโลยีคอมพิวเตอร์คือยิ่งปัญหาใหญ่เท่าไหร่ เราก็ยิ่งต้องให้พลังการประมวลผลมากขึ้นเท่านั้น ยิ่งคุณมีพลังการประมวลผลมากเท่าไหร่ คุณก็ยิ่งแก้ปัญหาใหญ่ๆ ได้มากขึ้นเท่านั้น กฎนี้เคยใช้ได้กับการแก้ปัญหาด้านปัญญาประดิษฐ์อยู่ช่วงหนึ่ง แต่กฎนี้ก็ถูกทำลายลงอย่างรวดเร็วเนื่องจากขนาดของปัญหาที่ขยายใหญ่ขึ้นอย่างมหาศาล เพราะเราไม่สามารถสำรอง CPU/GPU ให้เพียงพอสำหรับแก้ปัญหาเหล่านั้นได้  
ข้อเท็จจริงได้พิสูจน์แล้วว่าปัญญาประดิษฐ์/การเรียนรู้ของเครื่องไม่จำเป็นต้องใช้ความซับซ้อนของ CPU/GPU ทั่วไป คณิตศาสตร์ที่ใช้ก็ง่ายกว่า และความแม่นยำที่ต้องการก็ต่ำกว่ามากผลลัพธ์จากการค้นพบนี้คือ ตัวเร่งความเร็ว AI/ML เฉพาะทางไม่จำเป็นต้องซับซ้อนเท่ากับ CPU/GPU จากพื้นฐานนี้ Google จึงออกแบบตัวเร่งความเร็ว TensorFlow และเปิดตัวผลิตภัณฑ์รุ่นที่สามแล้ว และผลิตภัณฑ์รุ่นที่สี่จะวางจำหน่ายในเร็วๆ นี้ ตัวประมวลผล AI/ML ออกแบบได้ค่อนข้างง่ายและจึงมีราคาค่อนข้างถูก ซึ่งทั้งหมดนี้ทำให้การผลักดันการเรียนรู้ของเครื่องไปสู่ขอบเครือข่ายทำได้ง่ายขึ้น ณ ปี 2019 Google มีรุ่นขนาดกะทัดรัดมากสำหรับใช้ในสมาร์ทโฟนแล้ว  
แอปพลิเคชันที่ใช้ AI ทุกอย่าง (เช่น การขับขี่อัตโนมัติ การถ่ายภาพทางการแพทย์ เกม) ในปัจจุบัน ล้วนถูกพัฒนาขึ้นโดยการฝึกฝนระบบ AI/ML เฉพาะทาง ดังนั้น AI จะสามารถนำความรู้ที่เรียนรู้จากระบบหนึ่งไปใช้กับระบบใหม่ที่ไม่เคยเห็นมาก่อนได้หรือไม่ คำตอบนั้นชัดเจน: "ได้"  
เจฟฟ์ ดีน กล่าวว่า “เหตุผลที่ผมหยิบยกเรื่องนี้ขึ้นมาก็เพราะเราเริ่มคิดเกี่ยวกับการใช้ AI สำหรับการกำหนดตำแหน่งและการกำหนดเส้นทางในการออกแบบ ASIC”การจัดวางและการกำหนดเส้นทางนั้นยากกว่าเกม Go มาก:เป้าหมายไม่ชัดเจนนัก และขอบเขตของปัญหาใหญ่ขึ้น“Google ได้สร้างแบบจำลองการเรียนรู้เกี่ยวกับสถานที่และเส้นทาง จากนั้นจึงพยายามดูว่าเครื่องมือนี้สามารถนำไปใช้ได้ในวงกว้างมากขึ้นหรือไม่” เจฟฟ์ ดีน กล่าว “จนถึงตอนนี้ เราได้ผลลัพธ์ที่ดีมากในการทดลองทั้งหมดของเรา ประสิทธิภาพของมันดีกว่ามนุษย์เล็กน้อย บางครั้งก็ดีกว่ามาก”Google เปรียบเทียบประสิทธิภาพของการใช้แมชชีนเลิร์นนิงสำหรับการจัดวางและการกำหนดเส้นทางกับซอฟต์แวร์เชิงพาณิชย์ วงจรทดสอบประกอบด้วยโมดูลต่างๆ หลายโมดูล รวมถึงซีพียู Ariane RISC-V (ที่มา: Google Research / ISSCC)
“ดีกว่า” ในที่นี้หมายถึงการจัดวางและกำหนดเส้นทางในเวลาอันสั้นมาก โดยปกติแล้ว งานนี้จะใช้เวลาหนึ่งสัปดาห์หรือหลายสัปดาห์กว่าจะแล้วเสร็จโดยผู้เชี่ยวชาญด้านการออกแบบ และโดยทั่วไปแล้ว ML place และ router สามารถทำงานให้เสร็จในปริมาณเท่ากันได้ภายใน 24 ชั่วโมง และสายไฟที่ใช้ในการจัดวางมักจะสั้นกว่าหากต้องการประสิทธิภาพที่ดียิ่งขึ้นของ ML ในการจัดวางและกำหนดเส้นทางอัตโนมัติ โปรดดูบทความ "Machine Learning in EDA Speeds Up the Design Cycle" ที่เขียนโดย Rod Metcalfe จาก Cadence  
เจฟฟ์ ดีน กล่าวว่า ML อาจขยายไปสู่ส่วนอื่นๆ ของกระบวนการออกแบบ IC ได้เช่นกัน รวมถึงการใช้ ML เพื่อช่วยสร้างกรณีทดสอบเพื่อตรวจสอบการออกแบบ ASIC ให้สมบูรณ์ยิ่งขึ้น และอาจใช้ ML เพื่อปรับปรุงการสังเคราะห์โค้ดระดับสูงเพื่อให้ได้การออกแบบที่เหมาะสมยิ่งขึ้น ทิศทางการประยุกต์ใช้ที่เป็นไปได้เหล่านี้มีความสำคัญต่อการเผยแพร่การเรียนรู้ของเครื่อง และมีความสำคัญอย่างยิ่งต่อการเร่งความก้าวหน้าของการออกแบบวงจรรวม  
ไม่จำเป็นต้องใช้ CPU/GPU ที่มีราคาสูงและประสิทธิภาพสูง การประมวลผลแบบ Edge Computing สามารถปรับแต่งได้
   
โคฮุง โลห์ รองประธานอาวุโสและหัวหน้าฝ่ายกลยุทธ์ของ MediaTek ชี้ให้เห็นว่า อุปกรณ์ IoT เชื่อมต่อสิ่งต่างๆ นับหมื่นล้านชิ้นเข้าด้วยกัน แต่ AI กำลังเปลี่ยนแปลงทุกสิ่งทุกอย่างที่เชื่อมต่อกับอินเทอร์เน็ต  
ส่วนหนึ่งของเหตุผลที่ AI กำลังมุ่งไปสู่การประมวลผลแบบเอดจ์นั้น มาจากที่ Dean ได้กล่าวไว้ก่อนหน้านี้ในหัวข้อนี้ และยังมีเหตุผลอื่นๆ อีกมากมาย ได้แก่:ลดภาระการประมวลผลที่เพิ่มขึ้นของศูนย์ข้อมูลและลดปริมาณการรับส่งข้อมูลในเครือข่ายให้เหลือน้อยที่สุดและแอปพลิเคชันแบบเรียลไทม์ที่ต้องการการประมวลผลระยะใกล้ ข้อกำหนดสำหรับการประมวลผลระยะใกล้ ได้แก่ ความเร็วสูง (ต้องออกแบบมาเป็นพิเศษสำหรับการประมวลผล AI) และการใช้พลังงานต่ำ โปรเซสเซอร์ที่ออกแบบมาเป็นพิเศษสำหรับ AI เหล่านี้เรียกว่าหน่วยประมวลผล AI (APU) APU อาจมีความยืดหยุ่นน้อยกว่า CPU แต่เนื่องจากเป็นหน่วยประมวลผลเฉพาะทางAPU สามารถทำงานได้เร็วกว่า CPU ถึง 20 เท่า และใช้พลังงานน้อยกว่า CPU ถึง 55 เท่า.  
การออกแบบระบบหลายระบบร่วมกันนั้นยากหรือไม่? AI ช่วยคุณเปิดเผยเส้นทางอันน่าทึ่งทั้งแปดเส้น
   
นาดีน คอลลาเอิร์ต ผู้อำนวยการโครงการของ Imec ชี้ให้เห็นว่า กฎของมัวร์อาจยังคงใช้ได้ในอีกไม่กี่ปีข้างหน้า แม้ว่าการลดขนาด CMOS จะทำได้ยากขึ้นเรื่อยๆ แต่เทคโนโลยีต่างๆ เช่น FinFETs, nanosheets, forksheets และอื่นๆ สามารถนำมาใช้เพื่อให้ได้การลดขนาด CMOS ระดับชิปต่อไปได้ เชื่อกันว่าเทคโนโลยี 3 มิติเป็นวิธีที่ดีที่สุด ซึ่งรวมถึงการใช้บรรจุภัณฑ์หลายชั้น รูทะลุในซิลิคอน และการเชื่อมต่อระดับละเอียดกับเซลล์มาตรฐานอื่นๆ การเลือกเทคโนโลยีเฉพาะต้องพิจารณาจากข้อกำหนดการออกแบบระบบและคุณลักษณะของอุปกรณ์ที่มีอยู่ “มันจะเป็นกระบวนการที่ซับซ้อน” คอลลาเอิร์ตกล่าว สิ่งนี้จะสร้างแรงกดดันอย่างมากต่อผู้ผลิต EDA เพราะมันต้องการให้ผู้ผลิต EDA สนับสนุนการทดลองและเปรียบเทียบโซลูชันต่างๆ ในระดับเครื่องมือ  
โมดูลส่วนหน้าของระบบสื่อสารไร้สายจะกลายเป็นความท้าทายพิเศษ “โดยทั่วไปแล้ว ระบบเหล่านี้มีความหลากหลายมากที่สุด โดยใช้ส่วนประกอบต่างๆ มากมายจากเทคโนโลยีที่แตกต่างกัน และโมดูลส่วนหน้าจะซับซ้อนมากขึ้นเมื่อมีการเพิ่มเสาอากาศ ตัวขยายกำลัง และตัวกรอง”อุตสาหกรรมการสื่อสารไร้สายกำลังก้าวไปสู่ความถี่ที่สูงขึ้นและประสิทธิภาพที่สูงขึ้นทางเลือกหนึ่งคือการรวมวัสดุ III-V เช่น GaN และ SiC เข้ากับ CMOS เพื่อให้ได้ข้อดีของวัสดุทั้งสองชนิด นาดีน คอลลาเอิร์ต ได้ยกตัวอย่างภาพโครงสร้างนาโนแบบ 3 มิติที่ทำจากวัสดุ III-V ที่ปลูกบนพื้นผิวซิลิคอนบนฉนวน (SOI) พร้อมทั้งชี้ให้เห็นว่ายังมีงานอีกมากที่ต้องทำในด้านนี้      Imec ได้แสดงให้เห็นถึงความสามารถในการปลูกโครงสร้างนาโนแบบสามมิติของวัสดุ III-V บนพื้นผิวซิลิคอนบนฉนวน (SOI)
สำหรับผลกระทบของการเรียนรู้ของเครื่องจักรต่อหน่วยความจำนั้น ยิ่งเห็นได้ชัดเจนยิ่งขึ้น แอปพลิเคชันใหม่ๆ เช่น AI และ ML ต้องการการเข้าถึงหน่วยความจำที่รวดเร็ว ผู้คนจึงจำเป็นต้องให้ความสนใจและพัฒนาการประมวลผลหน่วยความจำอย่างเร่งด่วน เมื่อตรรกะและการจัดเก็บข้อมูลใกล้ชิดกันมากขึ้นเรื่อยๆ การออกแบบบรรจุภัณฑ์ 3 มิติจะมีบทบาทสำคัญอย่างแน่นอน  
การประมวลผลควอนตัมและปัญญาประดิษฐ์สามารถเสริมซึ่งกันและกันได้ โดยสามารถส่งเสริมซึ่งกันและกันได้
   
 

ดาริโอ กิล ผู้อำนวยการฝ่ายวิจัยของ IBM กล่าวถึงปัญญาประดิษฐ์ทั่วไป (Generalized AI) ในการประชุมครั้งนี้เพิ่มเติมว่า "เป็นไปได้เกือบแน่นอนว่าปัญญาประดิษฐ์ทั่วไปจะถูกนำไปใช้กับคอมพิวเตอร์ควอนตัม" เขากล่าวสรุปประโยชน์ที่ยิ่งใหญ่ที่สุดอาจมาจากการใช้งานร่วมกันของบิต (การประมวลผลตัวเลข) นิวรอน (ปัญญาประดิษฐ์) และคิวบิต (การคำนวณควอนตัม)IBM เปิดให้เข้าถึงคอมพิวเตอร์ควอนตัมเครื่องแรกในปี 2016 และปัจจุบันสามารถเข้าถึงคอมพิวเตอร์ควอนตัมได้ 15 เครื่อง รวมถึงรุ่นล่าสุดที่มี 53 คิวบิต

ข้อสงวนสิทธิ์: บทความนี้พิมพ์ซ้ำจาก "ซินจือหยวน" บทความนี้เป็นเพียงความคิดเห็นส่วนตัวของผู้เขียนเท่านั้น และไม่ได้แสดงถึงความคิดเห็นของบริษัท Sacco Micro และอุตสาหกรรม การพิมพ์ซ้ำและการเผยแพร่มีจุดประสงค์เพื่อสนับสนุนการคุ้มครองลิขสิทธิ์ทางปัญญาเท่านั้น โปรดระบุแหล่งที่มาและผู้เขียนต้นฉบับก่อนนำไปพิมพ์ซ้ำ หากพบการละเมิดลิขสิทธิ์ โปรดติดต่อเราเพื่อลบออก

หมายเลขโทรศัพท์ของบริษัท: +86-0755-83044319
โทรสาร: +86-0755-83975897
อีเมล์: 1615456225@qq.com
QQ: 3518641314 ผู้จัดการหลี่

QQ: 332496225 ผู้จัดการชิว

ที่อยู่: ห้อง 809 อาคาร C อาคารเทคโนโลยีจ้านเทา เลขที่ 1079 ถนนหมินจือ เขตหลงหัวใหม่ เมืองเซินเจิ้น