Огляд
AI автоматизує розміщення компонентів на мікрочіпі, сумнозвісно складну головоломку, яка визначає швидкість, потужність і розмір мікросхеми. Це важливо, тому що швидший і дешевший дизайн чіпів живить всю індустрію штучного інтелекту та електроніки, включно з чіпами, на яких працює сам ШІ.
AI in Chip Floorplanning and Design зосереджується на практичному розгортанні: перетворенні можливостей моделі в надійні щоденні робочі процеси, які забезпечують вимірну цінність.
Глибоке занурення
Планування поверхів вирішує, де розташувати численні блоки (пам’ять, логіка, введення/виведення) на поверхні мікросхеми, щоб мінімізувати довжину дроту, потужність і тепло, дотримуючись часових обмежень. Кількість можливих компоновок більша, ніж кількість атомів у Всесвіті, і інженери-людини традиційно витрачали тижні на налаштування макетів. У 2021 році Google опублікував роботу в журналі Nature, в якій описано метод навчання з підкріпленням, який створює плани поверхів чіпів за години, які можна порівняти з планами, створеними людиною, або краще, і він був використаний у розробці прискорювачів TPU Google. Система обрамляє розміщення як послідовне рішення: розмістіть один блок, дотримуйтеся часткового планування, розмістіть наступний. Штучний інтелект також допомагає на ранніх і наступних етапах, від логічного синтезу до перевірки та виявлення порушень правил проектування, за допомогою інструментів таких компаній, як Synopsys і Cadence.
Технічне розуміння
Метод Google розглядає полотно мікросхеми як плату та використовує агент навчання підкріплення, який розміщує макроблоки по одному, керуючись винагородою, яка поєднує довжину дроту, завантаженість і щільність. Графова нейронна мережа вивчає вбудовування списку з’єднань, графа компонентів та їхніх зв’язків, тож політика може узагальнюватися на мікросхеми, яких вона раніше не бачила, передаючи вивчену інтуїцію, а не починаючи кожен дизайн з нуля.
Освоєння штучного інтелекту в плануванні поверхів і дизайні чіпів
AI автоматизує розміщення компонентів на мікрочіпі, сумнозвісно складну головоломку, яка визначає швидкість, потужність і розмір мікросхеми. Це важливо, тому що швидший і дешевший дизайн чіпів живить всю індустрію штучного інтелекту та електроніки, включно з чіпами, на яких працює сам ШІ. AI in Chip Floorplanning and Design зосереджується на практичному розгортанні: перетворенні можливостей моделі в надійні щоденні робочі процеси, які забезпечують вимірну цінність. Щоб побудувати глибоке розуміння, ставтеся до штучного інтелекту в системі планування поверхів і проектування чипів як до робочої моделі, а не до окремої функції: визначте бажані результати, уточніть припущення та відокремте те, що система може зробити надійно, від того, що все ще потребує експертної оцінки.
На практиці сильні команди, які використовують штучний інтелект у плануванні поверхів і дизайні чіпів, зосереджуються на результатах робочого процесу, а не на демонстраційних моделях, і визначають контрольні точки для людей на ранній стадії. Вони документують чіткі критерії успіху, перевіряють реалістичні дані та робочі процеси та виконують ітерацію на основі спостережуваних моделей невдач, а не одноразових перемог у тестах. Саме тут теоретичне розуміння перетворюється на довготривалу здатність щодо продуктів, політики та операцій.
Розробка на рівні програми визначає, чи покращує ШІ реальні результати. У той же час автоматизація несправного процесу може посилити існуючі проблеми. Найбільш стійкий підхід полягає в поєднанні швидкості експериментів із дисципліною управління: запускайте пілотні проекти, збирайте докази, публікуйте журнали рішень і постійно оновлюйте запобіжні заходи в міру розвитку поведінки моделі, очікувань користувачів і нормативних вимог.
Стратегічний вплив
Розробка на рівні програми визначає, чи покращує ШІ реальні результати.
Розробка на рівні програми визначає, чи покращує ШІ реальні результати. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Хороша інтеграція робочого процесу підвищує продуктивність, якій користувачі довіряють.
Хороша інтеграція робочого процесу підвищує продуктивність, якій користувачі довіряють. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Добре розроблені варіанти використання зменшують втому від змін і ризик впровадження.
Добре розроблені варіанти використання зменшують втому від змін і ризик впровадження. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Впровадження в реальному світі
Google використовував підкріплююче навчання для створення планів поверхів для своїх чіпів-прискорювачів штучного інтелекту TPU, як описано в статті Nature 2021 року.
Synopsys DSO.ai автономно шукає простір дизайну та використовується виробниками мікросхем, як-от Samsung, для оптимізації потужності та продуктивності.
Cadence Cerebrus застосовує машинне навчання для автоматизації та покращення потоків впровадження цифрових мікросхем.
Інструменти штучного інтелекту позначають порушення правил проектування та завчасно передбачають перевантаженість маршрутизації, скорочуючи дорогі зміни на пізніх стадіях.
Шаблони реалізації
Штучний інтелект у плануванні підлоги та дизайні на практиці
Google використовував підкріплююче навчання для створення планів поверхів для своїх чіпів-прискорювачів штучного інтелекту TPU, як описано в статті Nature 2021 року.
Google використовував підсилювальне навчання для створення планів поверхів для своїх чіпів-прискорювачів штучного інтелекту TPU, як описано в документі Nature 2021. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації з боку людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Штучний інтелект у плануванні підлоги та дизайні на практиці
Synopsys DSO.ai автономно шукає простір дизайну та використовується виробниками мікросхем, як-от Samsung, для оптимізації потужності та продуктивності.
Synopsys DSO.ai автономно здійснює пошук у просторах проектування та використовується виробниками чіпів, як-от Samsung, для оптимізації потужності та продуктивності. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації людини для крайніх випадків і відстежують як підвищення продуктивності, так і витрати на помилки з часом.
Штучний інтелект у плануванні підлоги та дизайні на практиці
Cadence Cerebrus застосовує машинне навчання для автоматизації та покращення потоків впровадження цифрових мікросхем.
Cadence Cerebrus застосовує машинне навчання для автоматизації та вдосконалення потоків впровадження цифрових чіпів. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Штучний інтелект у плануванні підлоги та дизайні на практиці
Інструменти штучного інтелекту позначають порушення правил проектування та завчасно передбачають перевантаженість маршрутизації, скорочуючи дорогі зміни на пізніх стадіях.
Інструменти штучного інтелекту позначають порушення правил проектування та завчасно передбачають перевантаження маршрутизації, зменшуючи дорогі пізні етапи редизайну. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Ризики та огорожі
Автоматизація несправного процесу може посилити існуючі проблеми.
Команди можуть надмірно автоматизувати роботу й усунути необхідне людське судження.
Якість може погіршуватися, якщо результати не оцінюються постійно.
Дорожня карта впровадження
Намалюйте поточний робочий процес і визначте крок із найбільшим тертям.
Намалюйте поточний робочий процес і визначте крок із найбільшим тертям. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Визначте контрольні точки людини перед повною автоматизацією.
Визначте контрольні точки людини перед повною автоматизацією. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Навчіть користувачів підказкам, шляхам ескалації та стандартам якості.
Навчіть користувачів підказкам, шляхам ескалації та стандартам якості. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Відстежуйте результати на рівні завдання, щоб підтвердити постійну цінність.
Відстежуйте результати на рівні завдання, щоб підтвердити постійну цінність. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.