Обзор
ИИ автоматизирует размещение компонентов на микрочипе — общеизвестно сложную головоломку, определяющую скорость, мощность и размер чипа. Это важно, потому что более быстрый и дешевый дизайн чипов питает всю индустрию искусственного интеллекта и электроники, включая чипы, на которых работает сам искусственный интеллект.
ИИ в планировании и проектировании микросхем ориентирован на практическое внедрение: превращение возможностей модели в надежные ежедневные рабочие процессы, приносящие измеримую ценность.
Глубокое погружение
Планирование этажа решает, где расположить множество блоков (памяти, логики, ввода-вывода) на поверхности чипа, чтобы минимизировать длину проводов, мощность и нагрев, одновременно соблюдая временные ограничения. Число возможных комбинаций больше, чем количество атомов во Вселенной, и инженеры-люди традиционно тратили недели на настройку компоновки. В 2021 году Google опубликовал в журнале Nature работу, описывающую метод обучения с подкреплением, позволяющий создавать планы этажей микросхем за часы, сравнимые или превосходящие созданные человеком, и он использовался при разработке ускорителей TPU Google. Система предполагает размещение как последовательное решение: разместить один блок, соблюсти частичную планировку, разместить следующий. ИИ также помогает на ранних и поздних этапах, от логического синтеза до проверки и обнаружения нарушений правил проектирования, с помощью инструментов таких компаний, как Synopsys и Cadence.
Техническая информация
Метод Google рассматривает холст чипа как доску и использует агент обучения с подкреплением, который размещает макроблоки по одному, руководствуясь вознаграждением, которое сочетает в себе длину провода, перегрузку и плотность. Нейронная сеть на графе изучает встраивания списка соединений, графа компонентов и их соединений, поэтому политику можно обобщить на микросхемы, которые она раньше не видела, передавая полученную интуицию, а не начиная каждый проект с нуля.
Освоение искусственного интеллекта в планировании и проектировании чипов
ИИ автоматизирует размещение компонентов на микрочипе — общеизвестно сложную головоломку, определяющую скорость, мощность и размер чипа. Это важно, потому что более быстрый и дешевый дизайн чипов питает всю индустрию искусственного интеллекта и электроники, включая чипы, на которых работает сам искусственный интеллект. ИИ в планировании и проектировании микросхем ориентирован на практическое внедрение: превращение возможностей модели в надежные ежедневные рабочие процессы, приносящие измеримую ценность. Чтобы достичь глубокого понимания, рассматривайте ИИ в планировании и проектировании микросхем как операционную модель, а не как отдельную функцию: определите желаемые результаты, проясните предположения и отделите то, что система может делать надежно, от того, что все еще требует экспертной оценки.
На практике сильные команды, использующие ИИ в планировании и проектировании микросхем, сосредотачиваются на результатах рабочего процесса, а не на моделировании демонстраций, и заранее определяют контрольные точки, выполняемые людьми. Они документируют явные критерии успеха, проводят тестирование на основе реалистичных данных и рабочих процессов, а также выполняют итерации на основе наблюдаемых моделей неудач, а не разовых побед в тестах. Именно здесь теоретическое понимание превращается в прочные возможности в отношении продукта, политики и операций.
Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты. В то же время автоматизация сломанного процесса может усугубить существующие проблемы. Самый устойчивый подход — сочетать скорость экспериментирования с дисциплиной управления: запускать пилотные проекты, собирать доказательства, публиковать журналы решений и постоянно обновлять меры безопасности по мере развития поведения модели, ожиданий пользователей и нормативных требований.
Стратегическое воздействие
Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты.
Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Хорошая интеграция рабочих процессов обеспечивает повышение производительности, которому пользователи могут доверять.
Хорошая интеграция рабочих процессов обеспечивает повышение производительности, которому пользователи могут доверять. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Хорошо продуманные варианты использования снижают усталость от изменений и риск внедрения.
Хорошо продуманные варианты использования снижают усталость от изменений и риск внедрения. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Реальная реализация
Google использовала обучение с подкреплением для создания планов этажей для своих чипов-ускорителей искусственного интеллекта TPU, как описано в статье Nature от 2021 года.
Synopsys DSO.ai автономно ищет возможности проектирования и используется производителями микросхем, такими как Samsung, для оптимизации мощности и производительности.
Cadence Cerebrus применяет машинное обучение для автоматизации и улучшения процессов внедрения цифровых чипов.
Инструменты искусственного интеллекта выявляют нарушения правил проектирования и заранее прогнозируют перегруженность маршрутов, сокращая дорогостоящие изменения в проектировании на поздних стадиях.
Шаблоны реализации
ИИ в планировании и проектировании чипов на практике
Google использовала обучение с подкреплением для создания планов этажей для своих чипов-ускорителей искусственного интеллекта TPU, как описано в статье Nature от 2021 года.
Google использовала обучение с подкреплением для создания планов этажей для своих чипов-ускорителей искусственного интеллекта TPU, как описано в документе Nature от 2021 года. Команды обычно получают лучшие результаты, когда заранее определяют пороговые значения качества, сохраняют путь эскалации с участием человека для крайних случаев и отслеживают как прирост производительности, так и затраты на ошибки с течением времени.
ИИ в планировании и проектировании чипов на практике
Synopsys DSO.ai автономно ищет возможности проектирования и используется производителями микросхем, такими как Samsung, для оптимизации мощности и производительности.
Synopsys DSO.ai автономно ищет пространство для проектирования и используется производителями микросхем, такими как Samsung, для оптимизации энергопотребления и производительности. Команды обычно получают лучшие результаты, когда заранее определяют пороговые значения качества, сохраняют путь эскалации с участием человека для крайних случаев и отслеживают как прирост производительности, так и затраты на ошибки с течением времени.
ИИ в планировании и проектировании чипов на практике
Cadence Cerebrus применяет машинное обучение для автоматизации и улучшения процессов внедрения цифровых чипов.
Cadence Cerebrus применяет машинное обучение для автоматизации и улучшения процессов внедрения цифровых чипов. Команды обычно добиваются лучших результатов, если заранее определяют пороговые значения качества, сохраняют путь человеческой эскалации для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
ИИ в планировании и проектировании чипов на практике
Инструменты искусственного интеллекта выявляют нарушения правил проектирования и заранее прогнозируют перегруженность маршрутов, сокращая дорогостоящие изменения в проектировании на поздних стадиях.
Инструменты искусственного интеллекта выявляют нарушения правил проектирования и заранее прогнозируют перегруженность маршрутов, сокращая дорогостоящие изменения на позднем этапе. Команды обычно получают лучшие результаты, когда заранее определяют пороговые значения качества, сохраняют путь эскалации с участием человека для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Риски и ограничения
Автоматизация сломанного процесса может усугубить существующие проблемы.
Команды могут чрезмерно автоматизировать и исключить необходимое человеческое суждение.
Качество может ухудшиться, если результаты не будут оцениваться постоянно.
Дорожная карта реализации
Составьте карту текущего рабочего процесса и определите этап, вызывающий наибольшие затруднения.
Составьте карту текущего рабочего процесса и определите этап, вызывающий наибольшие затруднения. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Определите человеческие контрольно-пропускные пункты перед полной автоматизацией.
Определите человеческие контрольно-пропускные пункты перед полной автоматизацией. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Обучайте пользователей подсказкам, путям эскалации и стандартам качества.
Обучайте пользователей подсказкам, путям эскалации и стандартам качества. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Отслеживайте результаты на уровне задач, чтобы подтвердить устойчивую ценность.
Отслеживайте результаты на уровне задач, чтобы подтвердить устойчивую ценность. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.