चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई
एआई माइक्रोचिप पर घटकों के प्लेसमेंट को स्वचालित करता है, एक बेहद कठिन पहेली जो चिप की गति, शक्ति और आकार निर्धारित करती है।
सिंहावलोकन
एआई माइक्रोचिप पर घटकों के प्लेसमेंट को स्वचालित करता है, एक बेहद कठिन पहेली जो चिप की गति, शक्ति और आकार निर्धारित करती है। यह मायने रखता है क्योंकि तेज़, सस्ता चिप डिज़ाइन पूरे एआई और इलेक्ट्रॉनिक्स उद्योग को पोषण देता है, जिसमें एआई चलाने वाले चिप्स भी शामिल हैं।
चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई व्यावहारिक परिनियोजन पर केंद्रित है: मॉडल क्षमता को विश्वसनीय दैनिक वर्कफ़्लो में बदलना जो मापने योग्य मूल्य प्रदान करता है।
गहरा गोता
फ़्लोरप्लानिंग यह तय करती है कि समय की बाधाओं को पूरा करते हुए तार की लंबाई, शक्ति और गर्मी को कम करने के लिए चिप की सतह पर कई ब्लॉक (यादें, तर्क, I/O) को कहां रखा जाए। संभावित व्यवस्थाओं की संख्या ब्रह्मांड में परमाणुओं की संख्या से बड़ी है, और मानव इंजीनियरों ने परंपरागत रूप से लेआउट को ट्यून करने में कई सप्ताह बिताए हैं। 2021 में, Google ने नेचर में एक सुदृढीकरण-सीखने की विधि का वर्णन करते हुए काम प्रकाशित किया, जो घंटों में चिप फ़्लोरप्लान तैयार करता है जो मानव निर्मित के बराबर या उससे बेहतर है, और इसका उपयोग Google के TPU त्वरक को डिजाइन करने में किया गया था। सिस्टम प्लेसमेंट को अनुक्रमिक निर्णय के रूप में फ्रेम करता है: एक ब्लॉक रखें, आंशिक लेआउट का निरीक्षण करें, अगला रखें। एआई सिनोप्सिस और कैडेंस जैसी कंपनियों के उपकरणों में तर्क संश्लेषण से लेकर सत्यापन और डिज़ाइन नियम उल्लंघनों का पता लगाने तक पहले और बाद के चरणों में भी सहायता करता है।
तकनीकी अंतर्दृष्टि
Google की विधि चिप कैनवास को एक बोर्ड के रूप में मानती है और एक सुदृढीकरण-शिक्षण एजेंट का उपयोग करती है जो मैक्रो ब्लॉकों को एक समय में एक स्थान पर रखती है, जो एक इनाम द्वारा निर्देशित होती है जो तार की लंबाई, भीड़ और घनत्व को जोड़ती है। एक ग्राफ़ न्यूरल नेटवर्क नेटलिस्ट के एम्बेडिंग, घटकों के ग्राफ़ और उनके कनेक्शन सीखता है, इसलिए नीति उन चिप्स को सामान्यीकृत कर सकती है जिन्हें उसने पहले नहीं देखा है, प्रत्येक डिज़ाइन को खरोंच से शुरू करने के बजाय सीखे हुए अंतर्ज्ञान को स्थानांतरित कर सकता है।
चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई में महारत हासिल करना
गहरी समझ बनाने के लिए, चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई को एक ऑपरेटिंग मॉडल के रूप में मानें, न कि किसी एक फीचर के रूप में। वांछित परिणामों को परिभाषित करें, धारणाओं को स्पष्ट करें, और जो सिस्टम विश्वसनीय रूप से कर सकता है उसे अलग करें जिसके लिए अभी भी विशेषज्ञ निर्णय की आवश्यकता है।
व्यवहार में, चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई का उपयोग करने वाली मजबूत टीमें वर्कफ़्लो परिणामों पर ध्यान केंद्रित करती हैं, न कि मॉडल डेमो पर, और मानव चौकियों को जल्दी परिभाषित करती हैं। वे स्पष्ट सफलता मानदंडों का दस्तावेजीकरण करते हैं, यथार्थवादी डेटा और वर्कफ़्लो के विरुद्ध परीक्षण करते हैं, और एक बार की बेंचमार्क जीत के बजाय देखे गए विफलता पैटर्न के आधार पर पुनरावृत्ति करते हैं। यहीं पर सैद्धांतिक समझ उत्पाद, नीति और संचालन में टिकाऊ क्षमता में बदल जाती है।
एप्लिकेशन-स्तरीय डिज़ाइन यह निर्धारित करता है कि AI वास्तविक परिणामों में सुधार करता है या नहीं। साथ ही, किसी टूटी हुई प्रक्रिया को स्वचालित करने से मौजूदा समस्याएं बढ़ सकती हैं। सबसे लचीला दृष्टिकोण प्रयोग की गति को शासन अनुशासन के साथ जोड़ना है: पायलट चलाना, साक्ष्य प्राप्त करना, निर्णय लॉग प्रकाशित करना, और मॉडल व्यवहार, उपयोगकर्ता अपेक्षाओं और नियामक आवश्यकताओं के विकसित होने पर सुरक्षा उपायों को लगातार अपडेट करना।
सामरिक प्रभाव
एप्लिकेशन-स्तरीय डिज़ाइन यह निर्धारित करता है कि AI वास्तविक परिणामों में सुधार करता है या नहीं।
एप्लिकेशन-स्तरीय डिज़ाइन यह निर्धारित करता है कि AI वास्तविक परिणामों में सुधार करता है या नहीं। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
अच्छा वर्कफ़्लो एकीकरण उत्पादकता लाभ पैदा करता है जिस पर उपयोगकर्ता भरोसा कर सकते हैं।
अच्छा वर्कफ़्लो एकीकरण उत्पादकता लाभ पैदा करता है जिस पर उपयोगकर्ता भरोसा कर सकते हैं। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
अच्छी तरह से उपयोग के मामले परिवर्तन की थकान और कार्यान्वयन जोखिम को कम करते हैं।
अच्छी तरह से उपयोग के मामले परिवर्तन की थकान और कार्यान्वयन जोखिम को कम करते हैं। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
वास्तविक विश्व कार्यान्वयन
Google ने अपने TPU AI एक्सेलेरेटर चिप्स के लिए फ़्लोरप्लान तैयार करने के लिए सुदृढीकरण सीखने का उपयोग किया, जैसा कि इसके 2021 नेचर पेपर में वर्णित है।
Synopsys DSO.ai स्वायत्त रूप से डिज़ाइन स्थानों की खोज करता है और इसका उपयोग सैमसंग जैसे चिप निर्माताओं द्वारा शक्ति और प्रदर्शन को अनुकूलित करने के लिए किया गया है।
कैडेंस सेरेब्रस डिजिटल चिप कार्यान्वयन प्रवाह को स्वचालित और बेहतर बनाने के लिए मशीन लर्निंग लागू करता है।
एआई उपकरण डिज़ाइन-नियम के उल्लंघनों को चिह्नित करते हैं और रूटिंग कंजेशन की जल्दी भविष्यवाणी करते हैं, जिससे महंगे लेट-स्टेज रीडिज़ाइन को कम किया जाता है।
कार्यान्वयन पैटर्न
व्यवहार में चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई
Google ने अपने TPU AI एक्सेलेरेटर चिप्स के लिए फ़्लोरप्लान तैयार करने के लिए सुदृढीकरण सीखने का उपयोग किया, जैसा कि इसके 2021 नेचर पेपर में वर्णित है।
टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को पहले से परिभाषित करते हैं, किनारे के मामलों के लिए मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई
Synopsys DSO.ai स्वायत्त रूप से डिज़ाइन स्थानों की खोज करता है और इसका उपयोग सैमसंग जैसे चिप निर्माताओं द्वारा शक्ति और प्रदर्शन को अनुकूलित करने के लिए किया गया है।
टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को पहले से परिभाषित करते हैं, किनारे के मामलों के लिए मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई
कैडेंस सेरेब्रस डिजिटल चिप कार्यान्वयन प्रवाह को स्वचालित और बेहतर बनाने के लिए मशीन लर्निंग लागू करता है।
टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को पहले से परिभाषित करते हैं, किनारे के मामलों के लिए मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में चिप फ़्लोरप्लानिंग और डिज़ाइन में एआई
एआई उपकरण डिज़ाइन-नियम के उल्लंघनों को चिह्नित करते हैं और रूटिंग कंजेशन की जल्दी भविष्यवाणी करते हैं, जिससे महंगे लेट-स्टेज रीडिज़ाइन को कम किया जाता है।
टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को पहले से परिभाषित करते हैं, किनारे के मामलों के लिए मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
जोखिम और रेलिंग
किसी टूटी हुई प्रक्रिया को स्वचालित करने से मौजूदा समस्याएँ बढ़ सकती हैं।
टीमें अति-स्वचालित हो सकती हैं और आवश्यक मानवीय निर्णय को हटा सकती हैं।
यदि आउटपुट का लगातार मूल्यांकन नहीं किया गया तो गुणवत्ता में गिरावट आ सकती है।
कार्यान्वयन रोडमैप
वर्तमान वर्कफ़्लो को मैप करें और उच्चतम-घर्षण चरण की पहचान करें।
इसे एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
पूर्ण स्वचालन से पहले मानव चौकियों को परिभाषित करें।
इसे एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
उपयोगकर्ताओं को संकेतों, वृद्धि पथों और गुणवत्ता मानकों पर प्रशिक्षित करें।
इसे एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
निरंतर मूल्य की पुष्टि के लिए कार्य-स्तर के परिणामों को ट्रैक करें।
इसे एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
अन्वेषण करते रहें
Check your understanding
Test yourself: take the AI in Chip Floorplanning and Design quiz