طراحی تراشه
کاربردهای هوش مصنوعی

Synopsys، Cadence، گوگل و NVIDIA بر سر یک موضوع طراحی تراشه توافق دارند

    0
    (مدت زمان مطالعه: ۴ دقیقه)

    طراحی تراشه یا مواد نیمه‌رسانای جدید به سال‌ها زمان، تلاش بی‌وقفه‌ی مهندسان و جدیدترین ابزارهای طراحی EDA نیاز دارد. اما تراشه‌های جدید که عمدتاً مبتنی بر هوش مصنوعی هستند، رویکرد ما نسبت به نیمه‌رساناها و دنیای اطراف را متحول کرده‌اند. برخی از مدیران راهبردی بر این باورند که فرآیند زمان‌بر و پرهزینه‌ی طراحی تراشه را می‌توان از ۳-۲ سال به ۳-۲ ماه کاهش داد؛ به شرطی که فرآیند ساخت سخت‌افزارهای موردنیاز سرعت گرفته و خودکارتر شود. همانطور که می‌دانیم، هوش مصنوعی سنگ بنای ابزارهای طراحی جدید است.

    دورنمای طراحی نیمه‌رساناها

    شروع رسمی این جریان را می‌توان مربوط به رونمایی Synopsys، سردمدار EDA، از نرم‌افزار DSO.ai دانست؛ DSO.ai هوش مصنوعی بهینه‌سازی فضای طراحی است که می‌تواند به صورت خودکارتر، راه‌های بهینه برای چینش اجزای سیلیکونی روی تراشه را تشخیص دهد و بدین طریق، در عین ارتقای عملکرد، مساحت لازم و توان مصرفی را کاهش دهد.

    DSO.ai با تکیه بر یادگیری تقویتی، میلیاردها مسیر مختلف برای رسیدن به هدف را ارزیابی و آن طراحی‌ای را انتخاب و تولید می‌کند که به میزان چشمگیری از طراحی‌های تولیدشده به دست مهندسان بهتر باشد. تعداد راهکارهایی که DSO.ai بررسی و ارزیابی می‌کند به طرز سرسام‌آوری زیاد است: برای قراردهی و چینش اجزای تراشه، حدود 〖”۱۰″ 〗^”۹۰۰۰۰″ راه وجود دارد. برای درک بهتر این رقم، آن را با تعداد حرکات ممکن در بازی Go (〖”۱۰″ 〗^”۳۶۰″ ) مقایسه کنید، بازی‌ای که هوش مصنوعی گوگل در سال ۲۰۱۶ در آن به برتری دست یافت.

    همانطور که یادگیری تقویتی بازی Go را بهتر از هر فردی در جهان انجام می‌دهد، در طراحی تراشه نیز می‌توان از آن کمک گرفت. نتایج استفاده از این فناوری خارق‌العاده بوده‌اند: با کاهش ۲۱ درصدی توان، فرکانس عمل ۱۸ درصد سریع‌تر شده و علاوه بر این، زمان موردنیاز هم از شش ماه به یک ماه رسید.

    طراحی تراشه گوگل و NVIDIA

    گوگل و NVIDIA اخیراً از پروژه‌ای مشابه خبر داده‌اند. سیستم‌های طراحی Cadence نیز به تازگی از پلتفرم بهینه‌سازی مبتنی بر هوش مصنوعی (با کارکردی شبیه به DSO.ai) رونمایی کرده‌اند. قبل از این‌که به اقدامات و دستاوردهای این سه شرکت بپردازیم، کمی به عقب برگشته و به طراحی نیمه‌رساناها نگاهی کلی می‌اندازیم. جدول گجسکی-کوهن نقطه‌ی خوبی برای شروع به نظر می‌رسد؛ این جدول همه‌ی گام‌های طراحی تراشه را در سه محور خلاصه می‌کند: محور رفتاری (معمار مشخص می‌کند تراشه قرار است چه کاری انجام دهد)، محور ساختاری (معمار نحوه‌ی سازماندهی تراشه را تعیین می‌کند) و محور هندسی (مهندسان چیدمان تراشه را مشخص می‌کنند).

    طراحی تراشه

    بر اساس این مدل، نتیجه‌ی هر گام، ورودی گام بعدی چرخه (در جهت عقربه‌های ساعت) خواهد بود. ترتیب گام‌ها از دایره‌های بیرونی به سمت دایره‌های مرکزی‌تر است؛ هرچه به سمت مرکز دایره پیش برویم، به مرحله‌ی تولید تراشه نزدیک‌تر شده‌ایم. تا کنون، همه‌ی کاربردهای هوش مصنوعی در این چرخه برای حل مشکل قانون مور انجام شده و مربوط به محورهای هندسی یا فیزیکی بوده‌اند.

    DSO.ai شرکت Synopsys

    DSO.ai اولین ابزاری بود که هوش مصنوعی را در فرآیند طراحی فیزیکی به کار گرفت؛ این سیستم، طراحی‌های پایه‌ای تولید کرد که مصرف کمتری داشته، با فرکانس بالاتری اجرا شده و فضای کمتری اشغال می‌کنند. آنچه واقعاً حائز اهمیت است، نقش پررنگ هوش مصنوعی در افزایش بهره‌وری بود؛ کاربران DSO.ai با استفاده از این فناوری، کاری که انجامش برای متخصصان هفته‌ها طول می‌کشید را در طی چند روز انجام می‌دهند.

    تحقیقات گوگل و NVIDIA

    گوگل و NVIDIA در مورد کاربرد یادگیری تقویتی در طراحی‌های فیزیکی پایه پژوهش‌هایی انجام دادند. در تحقیقات گوگل، هوش مصنوعی برای تنظیم نسل آینده‌ی تراشه‌های TPU به کار می‌رود. این شرکت هم‌اکنون در حال بررسی کاربردهای دیگر هوش مصنوعی، برای مثال در حوزه‌ی بهینه‌سازی معماری، می‌باشد.

    NVIDIA نیز بر هدف کوتاه‌مدت، یعنی طراحی پایه، تمرکز کرده است؛ با این حال، با توجه به ظرفیت داخلی این شرکت، انتظار می‌رود از هوش مصنوعی برای طراحی تراشه‌های هوش مصنوعی بهتر کمک بگیرد.

    طراحی تراشه

    ورود سیستم‌های طراحی Cadence به بازار

    Cadence به تازگی یک «جستجوگر هوشمند تراشه » به نام Cerebrus راه‌اندازی کرده است تا فرآیند طراحی فیزیکی را به کمک یادگیری تقویتی بهینه‌سازی کند. محصول دیگر این شرکت، Cerebras است؛ پلتفرم جدیدی که قابلیت‌هایی شبیه به DSO.ai داشته و متمرکز بر طراحی فیزیکی است. شاید شرکت‌هایی همچون گوگل و NVIDIA منابع و مهارت‌های کافی برای طراحی هوش مصنوعی بهینه‌ساز را در دست داشته باشند، اما عمده‌ی شرکت‌های نیمه‌رسانا و پروژه‌های مربوطه ابزارهای EDA را خریداری می‌کنند. به نظر می‌رسد ورود Cadence به بازار، جایگاه یادگیری تقویتی در تغییر و تحولات آینده‌ی طراحی را مستحکم کرده باشد. طبق پیش‌بینی‌ها، با به کارگیری بیشتر هوش مصنوعی در فرآیند طراحی و چیدمان تراشه‌ها و همچنین با افزایش فشار رقابتی، هوش مصنوعی فراگیرتر خواهد شد.

    جمع‌بندی

    مطالعات NVIDIA و گوگل به طراحان نشان داده‌اند که بهتر است هرچه زودتر، نقش هوش مصنوعی در بهینه‌سازی عملکرد، هزینه و توان مصرفی به رسمیت بشناسند. NVIDIA و گوگل سعی دارند از این فناوری برای تولید GPU و پلتفرم‌های ابری TPU بهتر استفاده کرده و موقعیت خود را در میان رقبا ارتقاء دهند. شایعات موجود مبنی بر ورود این شرکت‌ها به عرصه‌ی ابزارهای EDA کاملاً غیرمنطقی به نظر می‌رسد؛ چون این شرکت‌ها از هوش مصنوعی برای بهینه‌سازی محصولات و خدمات خود استفاده می‌کنند.

    ورود سیستم طراحی Cadence به این میدان نیز به این رویکرد اعتبار بخشیده است. حال می‌توان گفت این صنعت روندی رو به رشد در پیش خواهد گرفت. با این حال، Cadence به تازگی وارد این مسیر شده و Synopsys همچنان پیشرو باقی می‌ماند، چون حداقل یک سال زودتر این مسیر را آغاز کرده است.

    سؤال اینجاست که بقیه‌ی مسیر چطور پیش خواهد رفت؟ استفاده از هوش مصنوعی در طراحی فیزیکی مزیت فوق‌العاده‌ای به حساب می‌آید، اما این تنها آغاز راه بوده و شاید نماینده‌ی تنها ۱۰ درصد از فرصت‌های موجود باشد. حوزه‌هایی غنی در محورهای رفتاری و ساختاری جدول چجسکی-کوهن وجود دارند که می‌توان در آن‌ها به دستاوردهای مهمی دست یافت، دستاوردهایی که آغازگر چرخه‌ای از بهینه‌سازی سراسر گردش کار طراحی خواهند بود.

    انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    یادگیری عمیق در دستگاه های تعبیه شده

    مقاله قبلی

    ابزار هوش مصنوعی برای کمک به شناخت ژنوم های سرطان

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *