ภาพรวม
AI กำหนดตำแหน่งส่วนประกอบบนไมโครชิปโดยอัตโนมัติ ซึ่งเป็นปริศนาที่ยากขึ้นชื่อซึ่งกำหนดความเร็ว กำลัง และขนาดของชิป สิ่งสำคัญคือการออกแบบชิปที่เร็วกว่าและถูกกว่าจะป้อนอาหารให้กับอุตสาหกรรม AI และอิเล็กทรอนิกส์ทั้งหมด รวมถึงชิปที่ใช้ AI เองด้วย
AI ในการวางผังและการออกแบบชิปมุ่งเน้นไปที่การใช้งานจริง: เปลี่ยนความสามารถของโมเดลให้เป็นขั้นตอนการทำงานรายวันที่เชื่อถือได้ซึ่งส่งมอบมูลค่าที่วัดได้
เจาะลึก
การวางแผนพื้นจะตัดสินใจว่าจะวางบล็อกต่างๆ ไว้ที่ตำแหน่งใด (หน่วยความจำ ตรรกะ I/O) บนพื้นผิวของชิป เพื่อลดความยาวสายไฟ กำลังไฟ และความร้อนให้เหลือน้อยที่สุด ในขณะที่ปฏิบัติตามข้อจำกัดด้านเวลา จำนวนการจัดเรียงที่เป็นไปได้นั้นมีมากกว่าจำนวนอะตอมในจักรวาล และวิศวกรที่เป็นมนุษย์มักใช้เวลาหลายสัปดาห์ในการปรับแต่งเลย์เอาต์ ในปี 2021 Google ตีพิมพ์ผลงานใน Nature ซึ่งอธิบายถึงวิธีการเสริมแรงและการเรียนรู้ที่สร้างแผนผังพื้นชิปในเวลาไม่กี่ชั่วโมงที่เทียบเคียงหรือดีกว่าที่มนุษย์สร้างขึ้น และถูกนำมาใช้ในการออกแบบตัวเร่ง TPU ของ Google การวางเฟรมระบบเป็นการตัดสินใจตามลำดับ: วางหนึ่งบล็อก สังเกตเค้าโครงบางส่วน วางบล็อกถัดไป AI ยังช่วยเหลือในระยะก่อนหน้าและระยะหลัง ตั้งแต่การสังเคราะห์ตรรกะไปจนถึงการตรวจสอบและตรวจจับการละเมิดกฎการออกแบบ ข้ามเครื่องมือจากบริษัทต่างๆ เช่น Synopsys และ Cadence
ข้อมูลเชิงลึกทางเทคนิค
วิธีการของ Google ปฏิบัติต่อ Chip Canvas เสมือนเป็นกระดาน และใช้สารเสริมการเรียนรู้ที่จะวางบล็อกมาโครทีละบล็อก โดยได้รับคำแนะนำจากรางวัลที่รวมความยาวของสายไฟ ความแออัด และความหนาแน่นเข้าด้วยกัน โครงข่ายประสาทเทียมแบบกราฟเรียนรู้การฝัง netlist กราฟของส่วนประกอบ และการเชื่อมต่อ ดังนั้นนโยบายจึงสามารถสรุปกับชิปที่ไม่เคยเห็นมาก่อน โดยถ่ายทอดสัญชาตญาณที่เรียนรู้ แทนที่จะเริ่มการออกแบบแต่ละอย่างตั้งแต่เริ่มต้น
การเรียนรู้ AI ในการวางแผนและการออกแบบพื้นชิป
AI กำหนดตำแหน่งส่วนประกอบบนไมโครชิปโดยอัตโนมัติ ซึ่งเป็นปริศนาที่ยากขึ้นชื่อซึ่งกำหนดความเร็ว กำลัง และขนาดของชิป สิ่งสำคัญคือการออกแบบชิปที่เร็วกว่าและถูกกว่าจะป้อนอาหารให้กับอุตสาหกรรม AI และอิเล็กทรอนิกส์ทั้งหมด รวมถึงชิปที่ใช้ AI เองด้วย AI ในการวางผังและการออกแบบชิปมุ่งเน้นไปที่การใช้งานจริง: เปลี่ยนความสามารถของโมเดลให้เป็นขั้นตอนการทำงานรายวันที่เชื่อถือได้ซึ่งส่งมอบมูลค่าที่วัดได้ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ปฏิบัติต่อ AI ใน Chip Floorplanning and Design เสมือนเป็นแบบจำลองการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ AI ในการวางแผนและการออกแบบชิปจะมุ่งเน้นไปที่ผลลัพธ์ของเวิร์กโฟลว์ ไม่ใช่จำลองการสาธิต และกำหนดจุดตรวจสอบของมนุษย์ตั้งแต่เนิ่นๆ โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่ ในขณะเดียวกัน การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่
การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้
การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ
กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
Google ใช้การเรียนรู้แบบเสริมกำลังเพื่อสร้างแผนผังสำหรับชิปเร่งความเร็ว TPU AI ตามที่อธิบายไว้ในรายงาน Nature ปี 2021
Synopsys DSO.ai ค้นหาพื้นที่การออกแบบโดยอัตโนมัติ และถูกใช้โดยผู้ผลิตชิปเช่น Samsung เพื่อเพิ่มประสิทธิภาพพลังงานและประสิทธิภาพ
Cadence Cerebrus ใช้การเรียนรู้ของระบบเพื่อทำให้ขั้นตอนการใช้งานชิปดิจิทัลเป็นแบบอัตโนมัติและปรับปรุง
เครื่องมือ AI ทำเครื่องหมายการละเมิดกฎการออกแบบและคาดการณ์ความแออัดของเส้นทางตั้งแต่เนิ่นๆ ซึ่งช่วยลดการออกแบบใหม่ในช่วงท้ายที่มีค่าใช้จ่ายสูง
รูปแบบการดำเนินงาน
AI ในการวางแผนพื้นและการออกแบบชิปในทางปฏิบัติ
Google ใช้การเรียนรู้แบบเสริมกำลังเพื่อสร้างแผนผังสำหรับชิปเร่งความเร็ว TPU AI ตามที่อธิบายไว้ในรายงาน Nature ปี 2021
Google ใช้การเรียนรู้แบบเสริมกำลังเพื่อสร้างแผนผังสำหรับชิปเร่งความเร็ว TPU AI ตามที่อธิบายไว้ในทีม Nature paper ปี 2021 มักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
AI ในการวางแผนพื้นและการออกแบบชิปในทางปฏิบัติ
Synopsys DSO.ai ค้นหาพื้นที่การออกแบบโดยอัตโนมัติ และถูกใช้โดยผู้ผลิตชิปเช่น Samsung เพื่อเพิ่มประสิทธิภาพพลังงานและประสิทธิภาพ
Synopsys DSO.ai ค้นหาพื้นที่การออกแบบโดยอัตโนมัติ และถูกใช้โดยผู้ผลิตชิป เช่น Samsung เพื่อเพิ่มประสิทธิภาพด้านพลังงานและประสิทธิภาพ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับ Edge Cases และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
AI ในการวางแผนพื้นและการออกแบบชิปในทางปฏิบัติ
Cadence Cerebrus ใช้การเรียนรู้ของระบบเพื่อทำให้ขั้นตอนการใช้งานชิปดิจิทัลเป็นแบบอัตโนมัติและปรับปรุง
Cadence Cerebrus ใช้การเรียนรู้ของระบบเพื่อทำให้อัตโนมัติและปรับปรุงโฟลว์การใช้งานชิปดิจิทัล ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้นเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
AI ในการวางแผนพื้นและการออกแบบชิปในทางปฏิบัติ
เครื่องมือ AI ทำเครื่องหมายการละเมิดกฎการออกแบบและคาดการณ์ความแออัดของเส้นทางตั้งแต่เนิ่นๆ ซึ่งช่วยลดการออกแบบใหม่ในช่วงท้ายที่มีค่าใช้จ่ายสูง
เครื่องมือ AI ทำเครื่องหมายการละเมิดกฎการออกแบบและคาดการณ์ความแออัดของเส้นทางตั้งแต่เนิ่นๆ ช่วยลดการออกแบบใหม่ในช่วงท้ายที่มีค่าใช้จ่ายสูง ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้นเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้
ทีมอาจดำเนินการอัตโนมัติมากเกินไปและลบวิจารณญาณของมนุษย์ที่จำเป็นออก
คุณภาพอาจคลาดเคลื่อนได้หากไม่ได้รับการประเมินผลลัพธ์อย่างต่อเนื่อง
แผนงานการดำเนินงาน
แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด
แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ
กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ
ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน
ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น