Synopsys对此云
原生云EDA工具&预先优化硬件平台
请求一个免费评估→
当你聚集一群光明半导体人在旧金山和问他们他们将面临未来最大的挑战是什么,你一定会得到很多有趣的答案。在最近的一次是这样AI-themed面板由瑞萨Moscone中心外的边缘半导体西方。
思想范围广泛。有显著的爱尔兰共和军主要援引半导体行业的挑战玩家分享更多设计数据,所以每个人都可以快速学习的涅槃情况可能或不可能。Sailesh Chittipeddi从瑞萨谈到了需要优化复杂的人工智能应用的功率效率,从根本上减少能源消耗。和Synopsys对此的Shankar Krishnamoorthy考虑的成本增加了芯片设计的复杂性和生成AI (GenAI)如何产生重大积极影响电子设计自动化(EDA)行业未来五年。
面板:从TinyML到主要的跨国公司
- 效果显著:Ira利文斯,副总裁,我们应用研究和技术
- 瑞萨:博士Sailesh Chittipeddi、执行副总裁、总经理嵌入式处理,数字电源和信号链解决方案组
- Synopsys对此:Shankar Krishnamoorthy, EDA集团总经理
- TinyML:主席普Gousev TinyML基础
- Gartner:Gaurav Gupta,小组主持人和副总统,新兴技术和趋势、半导体和电子产品
进入细节:半导体行业推动创新和创造价值
Krishnamoorthy开始作为一个音乐家埃尔顿·约翰的“飞燕舞者”下面的街道。面板上没有小舞者但Krishnamoorthy旁边普Gousev TinyML基金会。TinyML关注AI在边缘设备的部署在本地使用推理技术建立可行的见解。Chittipeddi指出,75%的数据来自边缘设备和处理的数据量的优势,和其他地方,半导体行业正奔向成为第一个万亿美元的产业。
但巨大的增长带来了更大的责任。最明显的挑战是经常讨论:人工智能是好还是坏,数据安全性和隐私,和如何云不断增长的能源footprint-especially ChatGPT等重型负载变得无处不在?但不那么主流的一个关键问题,这就是Krishnamoorthy集中,他描述了快速上涨的芯片设计复杂性的挑战:“提高生产效率是至关重要的,随着迁移成本的复杂芯片设计更先进的节点近年来增加了一倍多,工程人员短缺只有变得更加严重,”他解释道。“4 x更适合工程团队和10% - -20%的人才缺口,AI-driven EDA工具现在半导体公司的首要任务。”
Krishnamoorthy的观点是,芯片设计变得成倍增长的难度随着晶体管变得越来越小,这种复杂性要求比行业能提供更多的工程资源。这是完美的用例人工智能来帮助我们设计更多的人工智能。主要甚至更为乐观,暗示AI-powered工具很快就会“基本”芯片设计来提高工程师的工作效率。进一步,主要提出了半导体公司应该共享AI-generated设计数据——今天,他们永远不会做的事。做这样一个计划可能需要公司池数据共享挑战以安全的方式;每个公司能够获得的见解新的湖泊生态系统数据,无需任何贡献者不小心泄露他们的秘密武器。这在理论上是可能的,是真正激动人心的前景。
建立一个可持续的智能与低能的硅边缘
可持续发展小组参与者的另一个热门话题,Chittipeddi讨论如何执行更多的数据处理边缘是云上的负载平衡的关键。是基于云处理的原因是更多的能源密集型移动数据的总体由于能源税。解决跨越硅和软件。
软件,Chittipeddi说人工智能开发人员必须加强修剪机器学习的能力(ML)算法和模型,使他们能够更高效地运行等专用硅低功耗神经处理单元(转专业)。Gousev线程继续说,说的能力上运行工作负载在边缘小(通常是电池)设备和钻探数据必须做与隐私。
他引用一个当地公司看到巨大的增长由于其开发专门的传感器和算法能够模糊的面孔和其他可识别的信息。这打开了机会把相机放在卫生间等敏感领域发现问题——例如,倒塌的人——不确定的人。现在,虽然这些边缘设备运行高度优化的ML模式,强调Gousev,软件是完全依赖于可用的处理能力。把我们带回芯片设计,AI如何优化人工智能的设计。
Synopsys对此Krishnamoorthy告诉听众,低功耗芯片(或任何芯片)是最好的设计AI-driven EDA工具。他证明,在数字Synopsys对此看到Synopsys对此。ai™EDA的解决方案被设计师自定义和区分硅。“我们使用人工智能优化的人工智能,它是一个伟大的方式来达到节省15%的能源和电力,“尤其是边缘设备。
结合EDA领域知识和GenAI专长,彻底改变芯片设计
交换了一个或两个齿轮,谈话转移到强化学习(RL)和GenAI如何很快能够帮助芯片设计者克服更大的挑战,特别是当涉及到设计的复杂性。瑞萨的Chittipeddi指出,只有54%的所有AI-led项目成功的今天,与其他失败由于不能正确地处理设计的复杂性和易用性问题。面板中,面临的挑战的行业,是使用GenAI芯片设计仍然理论尚不完全准确。Krishnamoorthy说过,一块内容由ChatGPT可以是85%正确的,但是一个芯片设计“需要100%准确。”
效果显著的主要是对未来感到乐观,说他期待着AI-driven EDA工具发挥更大的作用在帮助他的公司设计更复杂的测试设备以增加速度和更高的精度。主要还指出,发展GenAI技术如ChatGPT 4,从而产生新一代的交互式人工智能应用程序和支持工程师实时做出更有效的决策。主要的观察引发交换想法GenAI用例(包括现在和未来),包括使用GitHub副驾驶员等AI-powered助理协助工程团队与寄存器传输级(RTL)代码的建议,总结、迁移和审查任务。同样,专业聊天机器人可以为工具,提供上下文的理解和建议与生成搜索允许工程师迅速整理超大数据集,减少调试错误。
并指出“公司必须破坏,或者他们会中断,“Synopsys对此“Krishnamoorthy强调AI-driven EDA工具的功能必须一致和准确地在整个半导体供应链。“GenAI工具将会短,除非他们整体EDA领域知识和人工智能技术结合起来,这就是为什么开发团队必须有一个理解世界的复杂芯片设计和改变AI景观,”他解释道。“人工智能是快速发展的,我们无疑会看到一些GenAI“杀手级应用”在这日出阶段,其他人可能消失。GenAI成熟和更容易使用,它将成为主流对于许多用例,是否设计芯片或创建幻灯片。”
Krishnamoorthy指出,Synopsys.ai行业首个完整AI-driven EDA套件,使主要的半导体公司显著提高效率,减少开发周期在迁移模拟电路设计,数字设计、验证和测试。“我们是激动和兴奋,看看我们的客户取得了Synopsys对此。人工智能在过去的一年里,”他补充道。“芯片设计者完成显著更多的加快扩大员工。我们正在跟踪超过250生产设计完成DSO。ai™(设计空间优化ai)独自一人。”
Krishnamoorthy结束了小组的贡献,并指出Synopsys对此的AI的旅程才刚刚开始,因为许多EDA工具,包括那些用于计算机辅助设计技术(TCAD),快速节点迁移模拟设计,和不同阶段的制造业也将极大的受益于先进的人工智能能力。