图表AI在芯片设计生产新课程
芯片设计者正在寻找一个有价值的盟友在人工智能(AI)平衡要求更大的性能,增加设计复杂性的挑战,工程资源约束,永远需要满足严格的上市时间目标。通过部署AI-driven芯片设计和验证,团队是摆脱迭代工作,可以专注在产品差异化和权力,性能,和区域(PPA)增强。
什么工程师将能够从他们的芯片是我们聪明的一切经济中变得越来越重要。我们在的时候基本上每个设备是智能device-capturing数据并运送到非常大的环境中被处理的数据,人工智能模型构建,见解是派生的,数据被推到边缘提高生产力和生活质量。这些要求我们设备是将半导体产业推向一个万亿美元的轨迹。与此同时,工程人才短缺是真实的。而投资,如2022年的芯片和科学法案最终将有助于填补人才管道,也将人工智能。
作为人工智能是如何迅速成为主流应用在电子设计自动化(EDA)和改变半导体的世界,获奖Synopsys对此DSO.ai人工智能芯片设计申请取得100年首次生产tapeouts。这标志着一个重要的里程碑在人工智能的一个行业一直是热门话题,但仅仅是开始真正进入。
Synopsys对此DSO.aisearches design spaces autonomously to discover optimal PPA solutions, massively scaling the exploration of choices in chip design workflows and using reinforcement learning to automate many otherwise menial tasks. Everyone from new to seasoned engineers stand to benefit, as the solution is somewhat like having an expert engineer in a box. Some of our customers are using DSO.ai in the cloud, tapping into the flexibility, scalability, and elasticity that on-premises and public cloud vendors offer to accommodate massive workloads and drive productivity to new heights. We’ve seen some impressive results from these initial customer use cases: productivity boosts of more than 3x, power reductions of up to 15%, substantial die size reductions, and less use of overall resources.
现在,人工智能已经展示了它的价值在芯片设计为AI设计芯片应用我们从这里吗?
在Synopsys对此,我们看到明显的优势,扩大使用的人工智能芯片设计和验证流可以使芯片结果和生产力。我们的主要客户包括9 10大数字实现客户拥抱的收益和成熟的人工智能技术交付的价值。同时,当今严峻的宏观经济格局引发新的兴趣使用人工智能来处理更多的重复芯片设计任务,以便工程人才可以专注于他们所做的最好:创新。
深化需求更好的功率、性能和面积
在当前全球经济不确定性,半导体景观变得更加具有竞争力,推高了要求更好的PPA,成本优势以及更快的上市时间。因此,设计团队提供芯片的压力比竞争对手更好的规格可以实现。与此同时,资源约束意味着团队正努力与相同或更少的资源做更多。也有许多相对较新的球员在芯片设计领域,hyperscalers和垂直像汽车公司正在设计自己的芯片。人工智能可以帮助填写资源和专业知识缺口。
不仅可以人工智能处理芯片设计的迭代执行,它还可以加速流程帮助团队更快地到终点。以验证为例。生产芯片可能是第三次修订的硬件,因为tapeout验证周期没有完成时间。然而,如果AI可以加速验证覆盖率,工程师可以用更少的迭代生成一个没有错误版本的芯片,他们可以节省大量的时间和金钱。
简单地说,人工智能增强人类能做什么。人类是伟大的,想出独特的想法,但这些想法通常是在系统或架构级别。要实现这些想法,工程师需要EDA工具。并帮助加快实现,Synopsys对此认为人工智能是一个前进的方向。通过将人工智能集成到我们的解决方案,使其使用尽可能简单和无缝的,我们可以帮助工程师更快实现自己的目标。减少设计和验证周期和精力,设计团队可以花更多的时间在他们的核心理念创新。
控制芯片设计成本和供应链的脆弱性
经济的不确定性也承压设计预算。因为先进的节点越来越贵,我们看到一个更强大的努力挤出尽可能在PPA前面。铸造厂通常提供性能,既版本的技术过程。在这些版本中,仍有许多变化来调整,以确定哪些配置是最优的,引发爆炸的探索空间。这就是人工智能,其实质性的设计空间探索能力,可以让它更快和更容易决定一个技术变化过程。
一些设计团队现在采用multi-foundry策略来减轻供应链脆弱性的影响和降低成本。从一个铸造设计转移到另一个可能会占用较多资源,使得人工智能这一任务的理想。事实上,在成本优化,我们看到设计师遗留设备,特别是在小团队中,转向人工智能实现更严格的区域目标。
随着今年的展开,我们期望看到持续加速的采用人工智能芯片设计和验证。与multi-die系统变得越来越普遍包括人工智能等计算密集型应用程序出来会更需要工具,可以承担所需的大量的重复性的任务优化PPA。我们还将继续投资于AI提供无缝体验设计师需要提高他们的生产力,加快他们的设计和验证周期的资源。
继续创新驱动芯片设计
功能丰富,intelligence-infused设备我们在手腕戴在我们的生产线和先进的机器人车辆,可以自己开车,我们的世界继续增长聪明和更多的连接。这个地方需要更多在硅芯片上这些设备和系统的基础。难怪设计团队将面临更大的压力来提供更高水平的性能较低的权力和更少的地区。他们也被挤在另一个会让路给有权先行者-尤其是考虑到当前宏观经济趋势,团队不得不做更多的用更少的或相同级别的资源。
在这种气候下,AI-driven芯片设计和验证证明其价值在帮助设计师实现积极的PPA和生产力的目标。通过自动化重复性的任务,比如Synopsys对此DSO的解决方案。ai使半导体行业图表是一个高效能的新课程对持续创新导致更加智能产品供我们欣赏。
了解更多
额外的洞察AI-driven芯片设计和验证,阅读这些博客文章:
