Áttekintés
A mesterséges intelligencia automatizálja az alkatrészek elhelyezését egy mikrochipen, egy köztudottan kemény rejtvény, amely meghatározza a chip sebességét, teljesítményét és méretét. Ez azért fontos, mert a gyorsabb, olcsóbb chiptervezés táplálja a teljes mesterséges intelligencia- és elektronikai ipart, beleértve azokat a chipeket is, amelyek magát az AI-t futtatják.
Az AI a Chip Floorplanning and Design területén a gyakorlati alkalmazásra összpontosít: a modellképességet megbízható napi munkafolyamatokká alakítja, amelyek mérhető értéket adnak.
Mély merülés
A Floorplanning dönti el, hogy a sok blokkot (memória, logika, I/O) hol helyezze el a chip felületén, hogy minimalizálja a vezeték hosszát, a teljesítményt és a hőt, miközben megfelel az időzítési korlátoknak. A lehetséges elrendezések száma nagyobb, mint az univerzum atomjainak száma, és az emberi mérnökök hagyományosan heteket töltöttek az elrendezések hangolásával. 2021-ben Google publikált egy munkát a Nature-ben, amely egy megerősítés-tanulási módszert ír le, amely órák alatt olyan chip alaprajzokat készít, amelyek hasonlóak vagy jobbak, mint az ember által készített, és ezt használták a Google TPU-gyorsítóinak tervezésénél. A rendszer az elhelyezést szekvenciális döntésként keretezi: helyezzen el egy blokkot, figyelje meg a részleges elrendezést, helyezze el a következőt. A mesterséges intelligencia a korábbi és későbbi szakaszokban is segítséget nyújt, a logikai szintézistől a tervezési szabálysértések ellenőrzéséig és észleléséig, olyan cégek eszközei között, mint a Synopsys és a Cadence.
Technikai betekintés
A Google módszere táblaként kezeli a chip-vásznat, és egy megerősítés-tanuló ágenst használ, amely egyenként helyezi el a makróblokkokat, a vezeték hosszát, torlódását és sűrűségét kombináló jutalom vezérelve. A gráf neurális hálózat megtanulja a hálózati lista beágyazásait, a komponensek gráfját és azok kapcsolatait, így a házirend általánosíthat olyan chipekre, amelyeket korábban nem látott, átadva a tanult intuíciót, ahelyett, hogy minden tervezést a nulláról kezdene.
A mesterséges intelligencia elsajátítása a chipes padlótervezésben és -tervezésben
A mesterséges intelligencia automatizálja az alkatrészek elhelyezését egy mikrochipen, egy köztudottan kemény rejtvény, amely meghatározza a chip sebességét, teljesítményét és méretét. Ez azért fontos, mert a gyorsabb, olcsóbb chiptervezés táplálja a teljes mesterséges intelligencia- és elektronikai ipart, beleértve azokat a chipeket is, amelyek magát az AI-t futtatják. Az AI a Chip Floorplanning and Design területén a gyakorlati alkalmazásra összpontosít: a modellképességet megbízható napi munkafolyamatokká alakítja, amelyek mérhető értéket adnak. A mélyreható megértés érdekében az AI-t a Chip Floorplanning and Design programban működési modellként kell kezelni, nem egyetlen jellemzőként: határozza meg a kívánt eredményeket, tisztázza a feltételezéseket, és válassza el, hogy a rendszer mire képes megbízhatóan, és ami még szakértői megítélést igényel.
A gyakorlatban a Chip Floorplanning and Design programban mesterséges intelligenciát használó erős csapatok a munkafolyamatok eredményeire összpontosítanak, nem a modell bemutatókra, és korán meghatározzák az emberi ellenőrzési pontokat. Dokumentálják az explicit sikerkritériumokat, tesztelik a valósághű adatokat és munkafolyamatokat, és a megfigyelt hibaminták alapján iterálnak, nem pedig egyszeri benchmark győzelmek alapján. Ez az a hely, ahol az elméleti megértés tartós képességgé válik a termék, a politika és a műveletek között.
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket. Ugyanakkor egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat. A legrugalmasabb megközelítés a kísérleti sebesség és az irányítási fegyelem kombinálása: kísérleti kísérletek futtatása, bizonyítékok rögzítése, döntési naplók közzététele és a biztosítékok folyamatos frissítése a modell viselkedésének, a felhasználói elvárásoknak és a szabályozási követelményeknek megfelelően.
Stratégiai hatás
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.
A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
Valós megvalósítás
Google megerősítési tanulást használt a TPU AI-gyorsító chipjei alaprajzainak létrehozásához, amint azt a 2021-es Nature-dokumentum ismerteti.
A Synopsys DSO.ai önállóan keresi a tervezési tereket, és a chipgyártók, például a Samsung is használják a teljesítmény és a teljesítmény optimalizálására.
A Cadence Cerebrus gépi tanulást alkalmaz a digitális chip-megvalósítási folyamatok automatizálására és javítására.
A mesterséges intelligencia eszközök jelzik a tervezési szabályok megsértését, és korán megjósolják a forgalmi torlódásokat, csökkentve a költséges, késői újratervezést.
Megvalósítási minták
AI a Chip Floorplanningben és -tervezésben a gyakorlatban
Google megerősítési tanulást használt a TPU AI-gyorsító chipjei alaprajzainak létrehozásához, amint azt a 2021-es Nature-dokumentum ismerteti.
A Google megerősítő tanulást használt a TPU AI-gyorsító chipjei alaprajzainak létrehozásához, amint azt a 2021-es Nature Paper leírja. A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs utat a szélsőséges esetekben, és nyomon követik a termelékenységnövekedést és a hibaköltségeket az idő múlásával.
AI a Chip Floorplanningben és -tervezésben a gyakorlatban
A Synopsys DSO.ai önállóan keresi a tervezési tereket, és a chipgyártók, például a Samsung is használják a teljesítmény és a teljesítmény optimalizálására.
A Synopsys DSO.ai önállóan keresi a tervezési területeket, és chipgyártók, például a Samsung is felhasználták a teljesítmény és a teljesítmény optimalizálására. A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs útvonalat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.
AI a Chip Floorplanningben és -tervezésben a gyakorlatban
A Cadence Cerebrus gépi tanulást alkalmaz a digitális chip-megvalósítási folyamatok automatizálására és javítására.
A Cadence Cerebrus gépi tanulást alkalmaz a digitális chip-bevezetési folyamatok automatizálására és javítására. A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs útvonalat az éles esetekben, és nyomon követik mind a termelékenységnövekedést, mind a hibaköltségeket az idő múlásával.
AI a Chip Floorplanningben és -tervezésben a gyakorlatban
A mesterséges intelligencia eszközök jelzik a tervezési szabályok megsértését, és korán megjósolják a forgalmi torlódásokat, csökkentve a költséges, késői újratervezést.
A mesterséges intelligencia eszközök jelzik a tervezési szabályok megsértését, és korán megjósolják a forgalmi torlódásokat, csökkentve a költséges, késői fázisú újratervezést. A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs útvonalat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket is.
Kockázatok és védőkorlátok
Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.
Végrehajtási ütemterv
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.