Synopsys Design Space Optimization rammer en milepæl

Genudgivet af Platon

Abonnenter: 0

Jeg talte for nylig med Stelios Diamantidis (Distinguished Architect, Head of Strategy, Autonomous Design Solutions) om Synopsys' meddelelse om 100^th kunde tapeout ved hjælp af deres DSO.ai-løsning. Min bekymring for AI-relaterede artikler er at undgå den hype, der omgiver AI generelt, og omvendt skepsisen som reaktion på den hype, der fik nogle til at afvise alle AI-påstande som slangeolie. Jeg var glad for at høre Stelios grine og være enig. Vi havde en meget funderet diskussion om, hvad DSO.ai kan i dag, hvad deres referencekunder ser i løsningen (baseret på, hvad den kan i dag), og hvad han kunne fortælle mig om teknologien.

Synopsys Design Space Optimization

Hvad DSO.ai gør

DSO.ai kobler sammen med Fusion Compiler og IC Compiler II, hvilket, som Stelios var omhyggelig med at understrege, betyder, at dette er en blok-niveau optimeringsløsning; Fuld SoC'er er endnu ikke et mål. Dette passer til nuværende designpraksis, da Stelios sagde, at et vigtigt mål er let at passe ind i eksisterende flows. Formålet med teknologien er at gøre det muligt for implementeringsingeniører, ofte en enkelt ingeniør, at forbedre deres produktivitet, samtidig med at de udforsker et større designrum for en bedre PPA, end ellers kunne have været opdaget.

Synopsys annoncerede den første tapeout i sommeren 2021 og har nu annonceret 100 tapeouts. Det taler godt for efterspørgslen efter og effektiviteten af en løsning som denne. Stelios tilføjede, at værdien bliver endnu mere indlysende for applikationer, som skal instantiere en blokering mange gange. Tænk på en mange-kerne-server, en GPU eller en netværksswitch. Optimer en blok én gang, instansér mange gange – det kan tilføje op til en betydelig PPA-forbedring.

Jeg spurgte, om kunder, der gør dette, alle arbejder ved 7nm og derunder. Overraskende nok er der aktiv brug helt op til 40nm. Et interessant eksempel er en flash-controller, et design, der ikke er særlig følsomt over for ydeevne, men som kan løbe op i ti til hundrede af millioner enheder. At reducere størrelsen selv med 5 % her kan have stor indflydelse på marginerne.

Hvad er der under emhætten

DSO.ai er baseret på forstærkende læring, et varmt emne i disse dage, men jeg lovede ingen hype i denne artikel. Jeg bad Stelios om at bore lidt mere ned, men var ikke overrasket, da han sagde, at han ikke kunne afsløre for meget. Det, han kunne fortælle mig, var interessant nok. Han gjorde opmærksom på, at i mere generelle applikationer antager en cyklus gennem et træningssæt (en epoke) en hurtig (sekunder til minutter) metode til at vurdere næste mulige trin, f.eks. gennem gradientsammenligninger.

Men seriøst blokdesign kan ikke optimeres med hurtige estimater. Hvert forsøg skal løbe gennem hele produktionsflowet og kortlægges til rigtige fremstillingsprocesser. Strømme, der kan tage timer at køre. En del af strategien for effektiv forstærkende læring givet denne begrænsning er parallelisme. Resten er DSO.ai hemmelig sauce. Du kan bestemt forestille dig, at hvis den hemmelige sovs kan komme med effektive justeringer baseret på en given epoke, så vil parallelisme accelerere fremskridtet gennem den næste epoke.

Til det formål skal denne kapacitet virkelig køre i en sky for at understøtte parallelitet. Privat on-premises cloud er en mulighed. Microsoft har annonceret, at de hoster DSO.ai på Azure, og ST rapporterer i DSO.ai-pressemeddelelsen, at de brugte denne evne til at optimere implementeringen af en Arm-kerne. Jeg forestiller mig, at der kunne være nogle interessante debatter omkring fordele og ulemper ved at køre en optimering i en offentlig sky på tværs af f.eks. 1000 servere, hvis arealreduktionen er det værd.

Kundefeedback

Synopsys hævder, at kunder (inklusive ST og SK Hynix i denne meddelelse) rapporterer 3x+ produktivitetsstigninger, op til 25 % lavere samlet effekt og betydelig reduktion i formstørrelsen, alt sammen med reduceret brug af overordnede ressourcer. I betragtning af hvad Stelios beskrev, lyder dette fornuftigt for mig. Værktøjet tillader udforskning af flere punkter i designtilstandsrummet inden for en given tidsplan, end det ville være muligt, hvis denne udforskning var manuel. Så længe søgealgoritmen (den hemmelige sauce) er effektiv, ville det selvfølgelig finde et bedre optimum end en manuel søgning.

Kort sagt, hverken AI-hype eller slangeolie. DSO.ai foreslår, at AI går ind i mainstream som en troværdig ingeniørudvidelse til eksisterende flows. Du kan lære mere af pressemeddelelse og fra denne blog.

Del dette opslag via: