Takeaways fra CadenceLIVE 2023

Takeaways fra CadenceLIVE 2023

Tidsstempel: 11. maj 2023 kl. 9
Kildeknude: 2645206

I lyset af populær fascination synes det i disse dage umuligt at tale om andet end AI. På CadenceLIVE var det forfriskende at blive mindet om, at de grundlæggende metoder, som design af enhver type forbliver på, og altid vil være domineret i alle aspekter af ingeniørkunst af dyb, præcis og skalerbar matematik, fysik, datalogi og kemi. AI supplerer designteknologier, hvilket giver ingeniører mulighed for at udforske flere muligheder og optimeringer. Men det vil fortsætte med at stå på skuldrene af 200+ års akkumuleret STEM-ekspertise og beregningsmetoder som en indpakning, men ikke fortrænge disse metoder.

Takeaways fra CadenceLIVE 2023

For at give denne observation, hvor er AI nyttig i metoder til elektroniske designsystemer, og mere generelt, hvordan påvirker AI og andre teknologier forretningsskift i halvleder- og elektroniske systemindustrien? Det er emnet for resten af ​​denne blog.

AI i Cadence-produkter

Cadence har klart til hensigt at være en frontløber inden for AI-applikationer. I løbet af de sidste par år har de annonceret adskillige AI-drevne produkter – Cadence Cerebrus til fysisk syntese, Verisium til verifikation, Joint Enterprise Data og AI (JedAI) til at forene massive datasæt og Optimality til multi-fysisk optimering. For nylig tilføjede de Virtuoso-udvidelser til analogt design, Allegro X AI til avanceret PCB og Integrity til 3D-IC-design.

Som et fysisk synteseprodukt forventer jeg, at Cadence Cerebrus primært er rettet mod blokdesign af de samme grunde, som jeg nævnte i en tidligere blog. Her forventer jeg, at forstærkende læring omkring flere fulde fysiske syntesekørsler driver bredere udforskning af muligheder og bedre ultimativ PPA.

Verisium har et ganske bredt mål inden for verifikation, der f.eks. spænder over debug og testsuiteoptimering ud over dækningsoptimering på blokniveau. Bortset fra dækning på blokniveau, forventer jeg, at andre aspekter giver værdi på tværs af designspektret, igen baseret på forstærkende læring over flere kørsler (og måske endda mellem produkter i samme familie).

Optimalitet er i sig selv en analyse- og optimeringspakke på systemniveau. Også her kan forstærkningslæring på tværs af flere kørsler hjælpe komplekse multifysiske analyser - elektromagnetik, termisk, signal- og strømintegritet - med at konvergere over flere prøver, end det ville være muligt at overveje i traditionel manuel iteration.

Virtuoso Studio for analog er i bund og grund et designværktøj på blokniveau, fordi ingen, så vidt jeg ved, bygger analoge designs med fuld chip på SoC-skalaen (med undtagelse af minder og måske neuromorfe ting). Automatisering i analogt design har været et håbet, men uopnået mål i årtier. Virtuoso tilbyder nu læringsbaserede metoder til placering og routing, hvilket lyder spændende.

Allegro X AI sigter mod lignende mål i PCB-design og tilbyder automatiseret PCB-placering og routing. Hjemmesiden antyder, at de bruger generative teknikker her, lige på forkant med AI i dag. Integrity-platformen bygger på den store databasekapacitet i Innovus Implementation System og udnytter både Virtuoso og Allegro til analog RF og pakke-co-design, hvilket giver en omfattende og samlet løsning 3D-IC-design.

Tre perspektiver på tilpasning til forandring

Det er ingen hemmelighed, at markederne ændrer sig hurtigt som reaktion på flere nye teknologier (inklusive AI) og hurtigere bevægende ændringer på systemmarkeder samt økonomiske og geopolitiske belastninger. En meget tydelig ændring i vores verden er den hurtige vækst af chipdesign internt blandt systemvirksomheder. Hvorfor sker det, og hvordan tilpasser halvleder- og EDA-virksomheder sig?

Et systemperspektiv fra Google Cloud

Thomas Kurian, administrerende direktør for Google Cloud talte med Anirudh om tendenser inden for cloud- og chipdesignbehov. Han gik gennem udviklingen af ​​efterspørgslen efter cloud computing, startende med Software-as-a-Service (SaaS), drevet af applikationer fra Intuit og Salesforce. Derfra udviklede landskabet sig til Infrastructure-as-a-Service (IaaS), hvilket giver os mulighed for at købe elastisk adgang til computerhardware uden behov for at administrere denne hardware.

Nu ser Thomas digitalisering som den vigtigste drivkraft: i biler, mobiltelefoner, husholdningsapparater, industrimaskiner. Efterhånden som digitaliseringen sker, er digitale tvillinger blevet populære til at modellere og optimere virtualiserede processer ved at anvende dyb læring til at udforske en bredere vifte af muligheder.

For at understøtte dette mål i stor skala ønsker Google at være i stand til at behandle verdensomspændende netværksforbundne datacentre som en samlet computerressource, der forbinder gennem netværksstrukturer med superlav latency til forudsigelig ydeevne og latenstid, uanset hvordan arbejdsbelastninger fordeles. At nå dette mål kræver en masse tilpasset halvlederdesign til netværk, til lagring, til AI-motorer og til andre acceleratorer. Thomas mener, at de på visse kritiske områder kan bygge differentierede løsninger, der opfylder deres CAPEX- og OPEX-mål bedre end gennem eksternt indkøbte halvledere.

Hvorfor? Det er ikke altid praktisk for en ekstern leverandør at teste i ægte systemskala. Hvem kan reproducere streaming videotrafik på størrelse med en Google eller AWS eller Microsoft? Også i forbindelse med differentiering af systemprocesser hjælper optimering af komponenter, men ikke så meget som fuld-procesoptimering. Sig, fra Kubernetes, til containere, til klargøring, til en beregningsfunktion. Svært for en almindelig semileverandør at styre dette omfang.

Et halvlederperspektiv fra Marvell

Chris Koopmans, COO hos Marvell, talte om, hvordan de tilpasser sig til skiftende systemvirksomheders behov. Marvell er helt fokuseret på datainfrastrukturteknologi i datacentre og gennem trådløse og kablede netværk. AI-træning og andre noder skal være i stand til at kommunikere pålideligt ved høj båndbredde og med lav latenstid ved terabyte pr. sekund på tværs af afstande i datacenterstørrelse. Tænk på ChatGPT, som rygtes at have brug for ~10K GPU'er til træning.

Det niveau af tilslutning kræver supereffektiv datainfrastruktur, men alligevel har cloud service providers (CSP'er) brug for al den differentiering, de kan få og ønsker at undgå ensartede løsninger. Marvell samarbejder med CSP'er for at bygge det, de kalder cloud-optimeret silicium. Dette starter med en generel komponent, der tjener et supersæt af behov, som indeholder nogle af de rigtige ingredienser til en given CSP, men overbygget og derfor utilstrækkeligt effektivt, som det er. En cloud-optimeret løsning er skræddersyet fra denne platform til en CSP's målarbejdsbelastninger og applikationer, og dropper det, der ikke er nødvendigt, og optimerer til specielle acceleratorer og grænseflader efter behov. Denne tilgang giver Marvell mulighed for at levere kundespecifikke designs fra et referencedesign ved hjælp af Marvell-differentierede infrastrukturkomponenter.

Et EDA-perspektiv fra Cadence

Tom Beckley, senior VP og GM for Cadence Custom IC & PCB-gruppen hos Cadence, afsluttede med et EDA-perspektiv på tilpasning til forandring. Du tror måske, at med kunder inden for systemer og halvlederdesign, har EDA det nemt. Men for at opfylde denne række af behov skal en omfattende "EDA"-løsning spænde over hele spektret - fra IC-design (digital, analog og RF) til 3D-IC og pakkedesign, til PCB-design og derefter op til elektromekanisk design (Dassault Systemsamarbejde).

Tilføj analyser og optimering til blandingen for at sikre elektromagnetisk, termisk, signal- og strømintegritet, så kunderne kan modellere og optimere komplette systemer (ikke kun chips), før hardwaren er klar. Samtidig med at de anerkender, at deres kunder arbejder efter stramme tidsplaner med nu yderligere begrænset personale. Tilsammen er det en stor ordre. Mere samarbejde, mere automatisering og mere AI-styret design vil være afgørende.

Med de løsninger, der er skitseret her, ser Cadence ud til at være på god vej. Min takeaway, CadenceLIVE 2023 gav en god opdatering om, hvordan Cadence imødekommer industriens behov (med en sund dosis AI), plus ny indsigt i retninger for systemer/halvledere/designindustrien.

Del dette opslag via:

Tidsstempel:

Mere fra Semiwiki