تحسين مساحة التصميم من Synopsys يحقق إنجازًا كبيرًا

أعاد نشره أفلاطون

المتابعون: 0

لقد تحدثت مؤخرًا مع Stelios Diamantidis (المهندس المعماري المتميز ، رئيس الإستراتيجية ، حلول التصميم المستقلة) حول إعلان Synopsys في 100^th شريط العملاء باستخدام حل DSO.ai الخاص بهم. ما يقلقني بشأن المقالات المتعلقة بالذكاء الاصطناعي هو تجنب الضجيج الذي يحيط بالذكاء الاصطناعي بشكل عام ، والعكس بالعكس ، الشكوك كرد فعل على تلك الضجة التي دفعت البعض إلى رفض جميع مزاعم الذكاء الاصطناعي باعتبارها زيت ثعبان. كنت سعيدًا لسماع ستيليوس يضحك ويتفق معه بكل إخلاص. لقد أجرينا نقاشًا أساسيًا للغاية حول ما يمكن لـ DSO.ai القيام به اليوم ، وما يراه عملاؤهم المرجعيون في الحل (بناءً على ما يمكن أن يفعله اليوم) وما يمكن أن يخبرني به عن التكنولوجيا.

سينوبسيس تصميم الفضاء الأمثل

ما يفعله DSO.ai

يقترن DSO.ai مع Fusion Compiler و IC Compiler II ، والذي كان Stelios حريصًا على التأكيد على أنه يعني أن هذا حل تحسين على مستوى الكتلة ؛ SoCs الكاملة ليست هدفًا بعد. يتناسب هذا مع ممارسات التصميم الحالية حيث قال Stelios إن هدفًا مهمًا يتناسب بسهولة مع التدفقات الحالية. الغرض من هذه التقنية هو تمكين مهندسي التنفيذ ، غالبًا مهندس واحد ، من تحسين إنتاجيتهم مع استكشاف مساحة تصميم أكبر للحصول على PPA أفضل مما يمكن اكتشافه بطريقة أخرى.

أعلنت سينوبسيس عن أول شريط في صيف عام 2021 وأعلنت الآن عن 100 شريط. هذا يتحدث بشكل جيد عن الطلب على حل مثل هذا وفعاليته. أضاف Stelios أن القيمة تصبح أكثر وضوحًا للتطبيقات التي يجب أن تنشئ كتلة عدة مرات. فكر في خادم متعدد النواة أو GPU أو محول شبكة. قم بتحسين كتلة مرة واحدة ، وقم بإنشائها عدة مرات - يمكن أن يضيف ذلك تحسينًا كبيرًا لـ PPA.

سألت عما إذا كان العملاء الذين يقومون بذلك يعملون جميعًا في الساعة 7 نانومتر وما دون. والمثير للدهشة أن هناك استخدامًا نشطًا حتى 40 نانومتر. أحد الأمثلة المثيرة للاهتمام هو وحدة تحكم الفلاش ، وهو تصميم ليس حساسًا جدًا للأداء ولكن يمكن أن يصل إلى عشرات إلى مئات الملايين من الوحدات. يمكن أن يكون لتقليل الحجم حتى بنسبة 5٪ هنا تأثير كبير على الهوامش.

ماذا يوجد تحت الغطاء

يعتمد DSO.ai على التعلم المعزز ، وهو موضوع ساخن هذه الأيام لكنني لم أعد أي ضجيج في هذه المقالة. طلبت من Stelios أن يتعمق أكثر قليلاً ولكن لم أتفاجأ عندما قال إنه لا يستطيع الكشف عن الكثير. ما يمكن أن يخبرني به كان ممتعًا بدرجة كافية. لقد أوضح أنه في التطبيقات العامة ، تفترض دورة واحدة عبر مجموعة تدريب (حقبة) طريقة سريعة (من الثواني إلى الدقائق) لتقييم الخطوات المحتملة التالية ، من خلال مقارنات التدرج على سبيل المثال.

لكن لا يمكن تحسين تصميم الكتلة الجاد بتقديرات سريعة. يجب أن تمر كل تجربة عبر تدفق الإنتاج الكامل ، مع تعيين عمليات التصنيع الحقيقية. التدفقات التي يمكن أن تستغرق ساعات لتشغيلها. جزء من استراتيجية التعلم المعزز الفعال بالنظر إلى هذا القيد هو التوازي. الباقي هو صلصة DSO.ai السرية. بالتأكيد يمكنك أن تتخيل أنه إذا كانت تلك الصلصة السرية يمكن أن تأتي بتحسينات فعالة بناءً على حقبة معينة ، فإن التوازي سيعجل التقدم خلال الحقبة التالية.

ولتحقيق هذه الغاية ، يجب أن تعمل هذه الإمكانية حقًا في سحابة لدعم التوازي. السحابة المحلية الخاصة هي أحد الخيارات. أعلنت Microsoft أنها تستضيف DSO.ai على Azure ، وتقرير ST في البيان الصحفي DSO.ai أنهم استخدموا هذه القدرة لتحسين تنفيذ Arm core. أتخيل أنه يمكن أن تكون هناك بعض المناقشات المثيرة للاهتمام حول إيجابيات وسلبيات تشغيل تحسين في سحابة عامة عبر 1000 خادم على سبيل المثال إذا كان تقليل المساحة يستحق ذلك.

ملاحظات العملاء

تدعي شركة Synopsys أن العملاء (بما في ذلك ST و SK Hynix في هذا الإعلان) يبلغون عن زيادات في الإنتاجية بمقدار 3 أضعاف + ، وانخفاض إجمالي الطاقة بنسبة تصل إلى 25٪ وانخفاض كبير في حجم القالب ، وكل ذلك مع تقليل استخدام الموارد الإجمالية. بالنظر إلى ما وصفه ستيليوس ، يبدو هذا معقولًا بالنسبة لي. تتيح الأداة استكشاف المزيد من النقاط في مساحة حالة التصميم ضمن جدول زمني معين أكثر مما يمكن أن يكون ممكنًا إذا كان هذا الاستكشاف يدويًا. طالما أن خوارزمية البحث (الصلصة السرية) فعالة ، فإن ذلك سيجد بالطبع أفضل أفضل من البحث اليدوي.

باختصار ، لا ضجيج الذكاء الاصطناعي ولا زيت الثعبان. يقترح DSO.ai أن الذكاء الاصطناعي يدخل التيار الرئيسي باعتباره امتدادًا هندسيًا موثوقًا للتدفقات الحالية. يمكنك معرفة المزيد من خبر صحفى ومن هذا بلوق.

شارك هذا المنشور عبر: