[Yeni Bilgeliğe Giriş]Geleneksel entegre devre tasarımı zaman alıcı ve zahmetlidir. Yapay zeka, iş verimliliğini artırmak için kullanılabilir mi? Bu yılki Entegre Katı Hal Devre Konferansı'nda, Google AI başkanı Jeff Dean de dahil olmak üzere dört lider, yapay zeka uygulamalarının işlemciler, kuantum hesaplama, yapısal yenilik vb. üzerindeki önemli etkisini açıkladı. "Xinzhiyuan acilen baş yazarlar, editörler, operasyon yöneticileri ve müşteri temsilcileri arıyor. Daha fazla bilgi edinmek için İK WeChat (Dr-wly) ekleyin veya makalenin sonundaki QR kodunu tarayın."

Bu yılki Entegre Katı Hal Devreleri Konferansı'nın (ISSCC) teması "Yapay zekâ çağını güçlendiren entegre devrelerAçılış genel oturumunun amacı, yapay zekanın yarı iletken alanını ne ölçüde "dönüştürdüğünü" ortaya koymaktı.
 

Google Yapay Zeka Başkanı Jeff Dean, MediaTek Kıdemli Başkan Yardımcısı Kou-Hung Loh, Imec Proje Direktörü Nadine Collaert ve IBM Araştırma Direktörü Dario Gil, sırasıyla elektronik alanında yapay zekaya ilişkin beklentileri ve gereksinimleri açıkladılar. Bunlar arasında, yapay zeka uygulamaları için özel olarak tasarlanmış yeni işlemcilerin (CPU ve GPU'lar dahil) nasıl geliştirileceği; yapısal yeniliklerin (küçük çipler, çoklu çip paketleri, ara katmanlar gibi) nasıl teşvik edileceği; ve hatta kuantum hesaplamanın gelişimini nasıl etkileyeceği yer alıyor.
 
Yerleşim ve rota belirleme çok mu zaman alıyor? Google yapay zekası maliyetleri düşürmenize ve verimliliği artırmanıza yardımcı oluyor.
   
Geçtiğimiz hafta San Francisco'da ISSCC konferansı düzenlendi. Konferans sırasında Google, yapay zekanın devre tasarımı kadar önemli olduğunu belirtti ve bir duyuru yaptı.Google, entegre devre tasarım sürecinde otomatik yerleşim ve yönlendirme sorunlarını çözmek için makine öğrenimini kullanmaya çalışıyor.ve iyi sonuçlar elde etti.  
Yapay zekânın uygulaması, son yıllarda elektronik alanında araştırma açısından önemli bir odak noktası olmuştur. Bu yönelim, geleneksel yaklaşımlar ve yapay zekânın birleşimiyle ilgili araştırmalara çok sayıda yarı iletken araştırmacısını çekmiştir. Özellikle bu yılki Entegre Katı Hal Devreleri Konferansı (ISSCC), konferansın temasını şu şekilde belirlemiştir: "Entegre devrelerle yapay zekada yeni bir çağı teşvik etmekAçılış töreninde ayrıca bu konferansın amacının, yapay zekanın yarı iletken alanındaki araştırmalar üzerindeki etkisini incelemek olduğu belirtildi.
Açılış töreninde konuşma yapan dört konuşmacı, yapay zekâya olan talebin, (CPU ve GPU'lara kıyasla) yeni yapay zekâya özgü işlemcilerin tasarımını nasıl yönlendirdiğini, yapısal yenilikleri (küçük çiplerin, çoklu çip paketlerinin veya eklenti tasarımlarının kullanımı gibi) nasıl teşvik ettiğini ve hatta gelecekteki kuantum hesaplamanın gelişimini nasıl etkilediğini açıkladı.  
Konferansın ilk konuşmacısı Google Yapay Zeka Başkanı Jeff Dean'di. Jeff Dean, Google'ın yapay zeka alanında deneyler yaptığını belirtti.Entegre devre tasarımında yerleştirme ve yönlendirme görevlerini gerçekleştirmek için makine öğreniminden yararlanmaYani, entegre devrelerdeki yerleşim ve kablolamayı yapay zekanın öğrenmesine izin vererek, tasarım uzmanlarının insan emeğinden tasarruf sağlamak.      İnsan bir ASIC uzmanının yerleştirme ve yönlendirme sonuçlarının, düşük güç tüketimli bir makine öğrenimi hızlandırıcı çipinin yerleştirme ve yönlendirme sonuçlarıyla karşılaştırılması. Google, görüntünün bazı kısımlarını kasıtlı olarak bulanıklaştırmıştır. (Kaynak: Google Araştırma / ISSCC)
Jeff Dean öncelikle yapay zekâ ve makine öğreniminin gelişim tarihine kısaca değindi, ardından makinelerin tavla oynamayı nasıl öğrendiğini, Deep Blue'nun satranç oynamasını ve AlphaGo'nun Go oyununda nasıl başarılı olduğunu anlattı. Yapay zekâ artık çok karmaşık video oyunlarını (örneğin "StarCraft") yönetebiliyor ve "çığır açan sonuçlar" elde edebiliyor. Aynı zamanda, makine öğrenimi tıbbi görüntülemede de yaygın olarak kullanılıyor.Robotik, bilgisayarla görme, otonom sürüş, sinirbilim, tarım, hava tahmini ve diğer alanlar.  
  On yıllardır, bilişim teknolojisinin gelişimini yönlendiren temel fikir şuydu:Sorun ne kadar büyükse, ona o kadar fazla işlem gücü veriyoruz. Ne kadar fazla işlem gücünüz varsa, o kadar büyük sorunları çözebilirsiniz. Bir süre bu kural yapay zeka problemlerini çözmek için de geçerliydi. Ancak, problem alanının hızla genişlemesiyle bu kural hızla bozuldu. Çünkü böyle bir problemi çözmek için yeterli CPU/GPU'yu ayırmamız mümkün değil.  
Gerçekler şunu kanıtladı kiYapay zekâ/makine öğrenimi, tipik bir CPU/GPU'nun karmaşıklığını gerektirmez, gereken matematik daha basittir ve gereken doğruluk oranı çok daha düşüktür.Bu keşfin ima ettiği şey, özel yapay zeka/makine öğrenimi hızlandırıcılarının CPU/GPU'lar kadar karmaşık olmak zorunda olmadığıdır. Buna dayanarak Google, TensorFlow hızlandırıcısını tasarladı ve üçüncü nesil ürünü piyasaya sürdü; dördüncü nesil ürün de yakında piyasaya sürülecek. Yapay zeka/makine öğrenimi işlemcilerinin tasarımı nispeten basit ve dolayısıyla nispeten ucuzdur; bu da makine öğrenimini ağın uç noktalarına daha da taşımayı kolaylaştırır. 2019 itibariyle Google'ın akıllı telefonlarda kullanılabilen çok kompakt bir modeli zaten mevcut.  
Şu anki aşamada yapay zekâ tabanlı her uygulama (otonom sürüş, tıbbi görüntüleme, oyun) özel yapay zekâ/makine öğrenimi sistemlerinin eğitilmesiyle hayata geçiriliyor. Peki, yapay zekâ bir sistemde öğrendiği bilgiyi daha önce hiç görmediği yeni bir sisteme uygulayabilir mi? Cevap açık: "EVET".  
Jeff Dean, "Bunu gündeme getirmemin sebebi, ASIC tasarımında yerleştirme ve yönlendirme için yapay zekayı kullanmayı düşünmeye başlamış olmamızdır," dedi.Yerleştirme ve rota belirleme, Go oyununa göre çok daha zordur:Hedef daha belirsiz ve sorunun boyutu daha büyük.Google, konum ve rota konusunda bir öğrenme modeli oluşturdu ve ardından bu aracın daha da genelleştirilip genelleştirilemeyeceğini görmeye çalıştı. Jeff Dean, "Şimdiye kadar tüm denemelerimizde çok iyi sonuçlar aldık. Performansı insanlardan biraz daha iyi, bazen de çok daha iyi." dedi.Google, yerleştirme ve yönlendirme için makine öğreniminin kullanımının etkinliğini ticari yazılımlarla karşılaştırdı. Test devresi, Ariane RISC-V CPU da dahil olmak üzere çeşitli farklı modüllerden oluşuyor. (Kaynak: Google Araştırma / ISSCC)
“Daha iyi” demek, çok kısa sürede yerleştirme ve yönlendirme anlamına gelir. Bu görev, insan tasarım uzmanı tarafından tamamlanması normalde bir hafta hatta haftalar sürebilir.ML yerleştirme ve yönlendirme cihazları genellikle 24 saatte aynı miktarda işi tamamlayabilir ve devre kabloları genellikle daha kısadır.Otomatik yerleştirme ve yönlendirmede makine öğrenimi tabanlı yerleştirme ve yönlendirme performansının daha da iyileştirilmesi için, Cadence'den Rod Metcalfe tarafından yazılan "EDA'da Makine Öğrenimi Tasarım Döngüsünü Hızlandırıyor" başlıklı makaleye bakabilirsiniz.  
Jeff Dean, makine öğreniminin (ML) entegre devre tasarım sürecinin diğer bölümlerine de genişletilebileceğini, örneğin ASIC tasarımlarını daha kapsamlı bir şekilde doğrulamak için test senaryoları oluşturmaya yardımcı olmak amacıyla ML kullanılabileceğini ve belki de daha optimize edilmiş tasarımlar elde etmek için üst düzey kod sentezini iyileştirmek amacıyla ML kullanılabileceğini söyledi. Bu olası uygulama yönleri, makine öğreniminin yaygınlaşması için önemli olduğu kadar, entegre devre tasarımının ilerlemesini hızlandırmak için de önemlidir.  
Yüksek maliyetli ve yüksek güçlü CPU/GPU'ya gerek yok, uç bilişim özelleştirilebilir.
   
MediaTek'in kıdemli başkan yardımcısı ve baş strateji sorumlusu Kou-Hung Loh, IoT cihazlarının on milyarlarca şeyi birbirine bağladığını, ancak yapay zekanın internete bağlı her şeyi değiştirdiğini belirtti.  
Yapay zekanın uç bilişime doğru yönelmesinin nedenlerinden biri, Dean'in bu bölümde daha önce bahsettiği gibi, ve daha birçok neden de var:Veri merkezlerindeki artan işlem yükünü hafifletin ve ağ trafiğini en aza indirin.Ve yakın yerel işlemeyi gerektiren gerçek zamanlı uygulamalar. Yerel işlem gereksinimleri: hızlı (yapay zeka hesaplaması için özel olarak tasarlanmış olmalı) ve düşük güç tüketimi. Yapay zeka için özel olarak tasarlanmış bu işlemcilere yapay zeka işlemci birimleri (APU) denir. Bir APU, bir CPU'dan daha az esnek olabilir, ancak özel olarak tasarlandığı için,APU, CPU'ya göre 20 kat daha hızlı çalışabilir ve 55 kat daha az güç tüketebilir..  
Birden fazla sistemi birlikte tasarlamak zor mu? Yapay zeka, sekiz olağanüstü meridyeni açmanıza yardımcı oluyor.
   
Imec proje direktörü Nadine Collaert, Moore Yasası'nın önümüzdeki birkaç yıl içinde hala geçerli olabileceğine dikkat çekti. CMOS'u küçültmek giderek zorlaşsa da, FinFET'ler, nano tabakalar, çatal tabakalar ve diğer teknolojiler, çip seviyesinde CMOS'un daha da ölçeklendirilmesi için kullanılabilir. 3D teknolojisinin en iyi yöntem olduğuna inanılıyor: çok katmanlı paketleme, silikonda delikler ve diğer standart hücrelerle ince seviye bağlantılar dahil. Belirli teknolojinin seçimi, sistem tasarım gereksinimlerine ve mevcut cihaz özelliklerine göre belirlenmelidir. Collaert, "Bu karmaşık bir süreç olacak" dedi. Bu, EDA tedarikçileri üzerinde büyük bir baskı oluşturacak çünkü EDA tedarikçilerinin araç seviyesinde farklı çözümlerin denenmesini ve karşılaştırılmasını desteklemesini gerektiriyor.  
Kablosuz iletişim sistemlerinin ön uç modülleri özel bir zorluk teşkil edecek. "Tipik olarak, bu sistemler en çeşitli olanlardır: farklı teknolojilerden birçok farklı bileşen kullanırlar ve antenler, güç amplifikatörleri ve filtrelerin eklenmesiyle ön uç modülleri daha karmaşık hale gelir."Kablosuz iletişim sektörü daha yüksek frekanslara ve daha yüksek verimliliğe doğru ilerliyor.Bir seçenek, her iki malzemenin avantajlarından yararlanmak için GaN ve SiC gibi III-V malzemelerini CMOS ile birleştirmektir. Nadine Collaert, silikon yalıtkan (SOI) alt tabaka üzerinde yetiştirilen III-V malzemelerden oluşan 3 boyutlu bir nano-çıkıntının resimli bir örneğini gösterirken, bu alanda hala yapılacak çok iş olduğunu da belirtti.      Imec, silikon yalıtkan (SOI) alt tabakalar üzerinde III-V malzemelerinden 3 boyutlu nano-çıkıntılar oluşturma yeteneğini sergiledi.
Makine öğreniminin bellek üzerindeki etkisi ise daha da belirgin. Yapay zeka ve makine öğrenimi gibi yeni uygulamalar, belleğe hızlı erişim gerektiriyor. İnsanların bellek tabanlı hesaplamaya acilen dikkat etmesi ve bu alanda geliştirmeler yapması gerekiyor. Mantık ve depolama giderek birbirine yaklaştıkça, 3 boyutlu paketleme kesinlikle önemli bir rol oynayacak.  
Birbirlerini güçlendiren kuantum hesaplama ve yapay zeka, birbirlerini tamamlayabilir.
   
 

IBM Araştırma Direktörü Dario Gil konferansta genelleştirilmiş yapay zekâya da değinerek şunları söyledi: "Genelleştirilmiş yapay zekânın kuantum bilgisayarlarda uygulanması neredeyse kesin."En büyük faydalar, bitlerin (sayı işleme), nöronların (yapay zeka) ve kübitlerin (kuantum hesaplama) tamamlayıcı kullanımından kaynaklanabilir.IBM, 2016'da ilk kuantum bilgisayarına erişimi açtı ve şu anda en yeni 53 kübitlik modeli de dahil olmak üzere 15 kuantum bilgisayara erişimi bulunuyor.

Yasal Uyarı: Bu makale "Xinzhiyuan"dan yeniden basılmıştır. Bu makale yalnızca yazarın kişisel görüşlerini temsil eder ve Sacco Micro'nun ve sektörün görüşlerini yansıtmaz. Yalnızca fikri mülkiyet haklarının korunmasını desteklemek amacıyla yeniden basılmış ve paylaşılmıştır. Yeniden basım için lütfen orijinal kaynağı ve yazarı belirtin. Herhangi bir ihlal durumunda, lütfen silinmesi için bizimle iletişime geçin.

Şirket telefon numarası: +86-0755-83044319
Faks: +86-0755-83975897
E-posta: 1615456225@qq.com
QQ: 3518641314 Yönetici Li

QQ: 332496225 Yönetici Qiu

Adres: Shenzhen, Longhua Yeni Bölgesi, Minzhi Caddesi No. 1079, Zhantao Teknoloji Binası, C Binası, Oda 809