ML Automotive Chip Design tager fart

ML Automotive Chip Design tager fart

Tidsstempel: 4. maj 2023 kl. 3
Kildeknude: 2628473

Maskinlæring bliver i stigende grad implementeret på tværs af et bredt udvalg af chips og elektronik i biler, både for at forbedre pålideligheden af ​​standarddele og til at skabe ekstremt komplekse AI-chips, der bruges i stadig mere autonome applikationer.

På designsiden er størstedelen af ​​EDA-værktøjer i dag afhængige af forstærkningslæring, en maskinlæringsundergruppe af AI, der lærer en maskine at udføre en specifik opgave baseret på mønstergenkendelse. I modsætning til billedgenkendelse i AI-chips, som er baseret på træning af massive datasæt, kan maskinlæring hurtigt producere nøjagtige resultater ved brug af meget mindre datamængder. Synopsys, Cadence, Siemens og andre har alle omfavnet forstærkningslæring i deres værktøjer, og deres bilkunder peger på forbedret time to market for chips, der tilbyder bedre ydeevne og opfylder strenge sikkerhedsmål.

"Verifikation af disse komplekse chips er også afgørende for at sikre sikkerhed og funktionalitet, så nutidens mest avancerede værktøjer bruger AI/ML til at automatisere opdagelse af dækningshuller i test, hvilket sikrer, at der opdages undvigende huller og fejlagtige fejl via proxy, som hvis de ikke opdages, kan være katastrofale i felt,” sagde Thomas Andersen, vicepræsident for AI og maskinlæring ved Synopsys. Han bemærkede, at ud over at opfylde kravene til effekt, ydeevne og område kan maskinlæring hjælpe med at bestemme partitionerings- og afstandskrav til redundant on-chip-funktionalitet."

I dag vokser mængden af ​​maskinlæring, der bruges til at fremstille chips til køretøjer, og brugen af ​​AI i disse køretøjer. Hvor hurtigt det vil ændre sig er en formodning, men tendenserne er klare.

"Der er et svar for i dag, og der er et svar om et par år, og de er meget forskellige," sagde David Fritz, vicepræsident for hybrid-fysiske og virtuelle systemer, automotive og mil-aero hos Siemens Digital Industries Software. “Vi starter med systemudforskning, og der er værktøjer til at gøre netop det. De giver mulighed for at udforske dette komplekse rum, og hvordan systemet ser ud. For eksempel, hvordan ser ECU'erne ud? Hvor skal softwaren køre? Før i tiden var det ret nemt bare at sige: 'Her er en MATLAB-model, der modellerer funktionaliteten', tryk på knappen, generere en C-kode, og du er færdig. Problemet er, at hele den automatiserede proces er væk. Det virker bare ikke, fordi beregningskravene er så off the charts på grund af bilens kompleksitet."

Den typiske model, der nu hurtigt vokser forældet, er V-diagrammet. "Det plejede at være, at du bare kunne dekomponere dette ned til minimumsenhederne, generere den lille smule C-kode fra modellen, sætte det hele sammen, og se og se, det virker," sagde Fritz. "Problemet er, når et vist niveau af kompleksitet er nået, så virker det ikke længere, for når du sætter alle puslespilsbrikkerne sammen igen, finder du ud af, at du mangler to af de fire hjørner og flere brikker i midten. mangler. Det, der sker i dag, er processen med at tage krav og i det væsentlige identificere, hvordan en potentiel systemarkitektur ville se ud, derefter simulere den og måle den. Derefter tager du disse målinger, sammenligner dem med kravene og gentager ad kvalme."

På værktøjssiden kan fokus være på maskinlæring, men i køretøjerne vil den fulde AI i sidste ende være påkrævet for at håndtere mere og mere autonom funktionalitet. "EDA-leverandører har fundet nye applikationer til [ML] til at optimere, automatisere og fremskynde SoC-udviklingsflow," sagde Thierry Kouthon, teknisk produktchef for Security IP hos Rambus. "Chipdesign bliver mere og mere komplekst på grund af øget tæthed ved lavere geometrier, lave latenskrav, hyperskaladesign med milliarder af porte og time-to-market-pres. Som følge heraf kræver det sofistikeret ekspertise, som kan blive mere og mere knap, og der vil være behov for betydelige investeringer for at tilfredsstille aggressive tidsplaner."

EDA-leverandører har implementeret forstærkningslæring for at forbedre, hvordan SoC'er er designet og fremstillet. "Det bruges i dag i flere områder af SoC-designflowet, såsom logiksyntese, verifikation, placering, routing, 3D-integration og design til test," sagde Kouthon og bemærkede, at EDA-virksomheder fremmer forstærkningslæring for at accelerere og forbedre kvaliteten af ​​ASIC design flows, samt at reducere mængden af ​​ressourcer involveret i et halvlederprojekt.

I løbet af de sidste mange måneder har næsten alle de store EDA-leverandører omfavnet et eller andet niveau af maskinlæring, og de skubber længere ind i AI-verdenen, efterhånden som mere relevante data indsamles. "Selvom der stadig er en stor mulighed foran os, og en stor mængde innovation, der er mulig, er det lige begyndt at blive låst ind," sagde Rob Knoth, produktledelsesgruppedirektør i Digital & Signoff Group på kadence. »Man skal bare åbne avisen eller læse nogle rapporter igennem. Hvis du ser på, hvad Tesla gør med sin Dojo-supercomputer, ser du, hvordan det overordnede system er påvirket af, tilgodeset og designet ikke kun af AI, men til AI. Chippen er utrolig vigtig, men chippen er kun vigtig for så vidt angår bilens sammenhæng eller datacentrets sammenhæng. Og de enorme mængder data, der kræves for at udføre bilfunktioner for at hjælpe med at forbedre kvalitet og pålidelighed, for at løse problemer med funktionel sikkerhed - alle disse ting danser sammen. Det er ikke et stykke isoleret, og det er den sande skønhed og potentiale, der først begynder at blive låst op.”

AI/ML kan spille en afgørende rolle i adskillige dele af bildesignprocessen.

“On one side, you can talk about automotive-specific things, but on another, you can step back and say, ‘These incredibly intelligent edge AI-enabled devices for a car are very similar to many other types of advanced semiconductors that are out there,’” Knoth said. “AI is no longer a future topic at our user conference, [it’s a current topic]. It is being used aggressively by all industries to do their daily work because it’s allowing the engineer to spend more time doing what engineers are uniquely and beautifully suited for — to look at the intention, look at the guiding things, exploring things, worrying more about the functions, as opposed to the day-to-day implementation. And AI is allowing a bigger proliferation of more complex, more differentiated bespoke silicon.”

Andre er enige. "Fra et chiparkitekturperspektiv er moderne bilchips stærkt målrettet mod automatisering af kørselsaspekter og sikkerhedsfunktioner," sagde Synopsys' Andersen. "Som sådan er de i det væsentlige blevet in-car AI-chips, der implementerer komplekse CNN-funktioner til at analysere billeder, video og scener og tage de rigtige handlinger for at undgå ulykker eller mod fuld selvkørende automatisering."

Inden for bilindustrien er arbejdet centreret omkring kvalitet, pålidelighed og sikkerhed.

"Kvalitet handler om at sænke dine defekte dele, der kommer ud af produktion (DPPM),," sagde han. “Plidelighed handler om at sikre, at du kan forblive funktionel i hele produktets levetid. Funktionel sikkerhed er grundlæggende at sige: 'Hvis noget går i stykker, så lad os sørge for, at vi ikke forårsager skade.' De forholder sig alle intenst til bilindustrien, og i hver af disse bliver AI enten aktivt brugt til at hjælpe med at nå disse mål, eller der er potentialet baseret på, hvordan de tidligere er blevet opfyldt, for at få AI anvendt på dem til enten at test smartere, lav bedre ældningsanalyse, eller vær mere klog, effektiv og effektiv omkring de sikkerhedsmekanismer, du sætter ind."

AI/ML passer ind i en række applikationer og værktøjer til bilindustrien, og de understøtter ofte hinanden. "Vores teknikker til udviklingen spiller en stor rolle, fordi vi har undret os over, hvordan vi skal verificere denne AI," sagde Frank Schirrmeister, vicedirektør for løsninger og forretningsudvikling hos Arteris IP. "Er der en strukturel verifikation for CNN, DNN, eller hvad der nu bruges? Gør det funktionelt multiplikationer korrekt? Alligevel, når du først har trænet det, er der virkelig meget få måder at bekræfte, hvor du ikke vil have nogen afvigelser. Det er derfor, der er brug for autoværn, og det er her, systemiske udviklingsudfordringer kommer ind i billedet. Du har din AI til at hjælpe med synet i bilen og genkende tingene, men så skal du stadig gelændere det, og fra et udviklingsperspektiv finde ud af de rigtige måder at yndefuld nedbrydning. Hvis det er noget, der ikke giver mening, hvordan svigter man så yndefuldt eller standser bilen på en yndefuld måde uden at dræbe nogen? Det er en del af overvejelserne om udviklingsprocessen på et systemisk niveau - hvordan man beskytter AI'en."

Stigende AI-overvejelser
Alle disse overvejelser bliver stadig vigtigere, efterhånden som mere AI/ML føjes til køretøjer og bruges til at skabe chipsene i disse køretøjer.

Ron DiGiuseppe, senior marketing manager, automotive IP hos Synopsys, ser brugen af ​​AI på et kontinuum. "Der er mobilitetsspektret, ADAS niveau 2, niveau 2+, niveau 3, niveau 4, niveau 5 til fuld selvkørende. I den ADAS-kategori af niveau 2 ADAS-automatisering - som er de applikationer, der er implementeret i biler nu, inklusive adaptiv fartpilot - er det en AI-applikation kun til ADAS. Det er ikke selvkørende. Et andet eksempel er automatisk nødbremse. Når du kører ned ad gaden, og en hund løber på tværs, vil genstandsgenkendelse starte en automatisk nødbremse. Disse er implementeret i biler nu, hvoraf mange bruger vision-baseret AI. Det bedste eksempel er Mobileye, sandsynligvis det mest udbredte i disse AI-applikationer i ADAS. Uafhængigt af selvkørende bliver AI taget i brug i andre applikationer i bilen, men de er stadig under udvikling nu. Der bliver ikke brugt meget i produktionen."

Fremover sagde DiGiuseppe, at AI vil blive brugt til andre applikationer i bilen, såsom infotainment-førerovervågningssystemer, såsom blikregistrering, for at se, hvor føreren kigger. "I drivlinjen til elektriske køretøjer er DC-til-DC-konverteren også et godt eksempel på, hvordan AI kunne optimere denne applikation til batteristyringssystemet. Normalt er det en algoritme til at optimere opladning/afladning af batteripakken. Det er endnu en usædvanlig anvendelse af kunstig intelligens, men pointen er, at den kommer til mange forskellige applikationer i bilen."

Elektromotorsensorreduktion er endnu en applikation til AI. "Der er hardwaresensorer derinde, der bruger prædiktiv analyse med AI til at udføre den funktion. Så i stedet for rent faktisk at bruge hardwaresensorer i drivaggregatet med en elektrisk motor, kan du bruge AI-forudsigelsesanalyse,” tilføjede DiGiuseppe.

Hvordan disse AI-algoritmer i sidste ende vil blive implementeret, vil ændre sig over tid. De to nøgleelementer er fleksibilitet og størrelse. "Hvis de er relativt små modeller, er eFPGA en mulig tilgang," bemærkede Geoff Tate, CEO for Flex Logix. Dette kan være særligt nyttigt for designere, der ønsker at maksimere PPA. eFPGA'er er yderst effektive til store vision-modeller med megapixelbilleder og hundredvis af lag som YOLOv5L6, forklarede Tate. De kan også omprogrammeres i marken for at drage fordel af algoritmeændringer.

Nuværende AI-implementering
Building all of this into the design flow requires very early conceptual planning. “We call this ‘Left of Left,’” said Fritz. “It’s what needs to happen before you Shift Left, and is where complications come in. Now I’m making decisions, so I have to have a methodology that not only can look forward into the implementation and collect these metrics so I can see if I am going to meet my requirements. I also have to be able to take that design and pass it off to the actual implementers, whether they’re internal, at a supplier, or wherever they are. How do I do that across 100 different companies, most of whom have no idea what we’re talking about or how their piece fits into the bigger picture? How does IP protection come into all that? It’s a big challenge.”

Fritz mener, at dette er en af ​​hovedårsagerne til, at niveau 4 og niveau 5 autonomi er blevet så forsinket. "Det er ikke nødvendigvis på grund af AI'en inde i køretøjet, selvom det bestemt er en udfordring. Og det handler ikke om funktionel sikkerhed. Det handler ikke om alle de ting længere. Det har vi godt styr på. Men hvordan får man det til at fungere i en virkelig verden, hvor alle disse forskellige leverandører laver deres egne stykker? De er alle vant til at gøre tingene på deres egen måde og kun fokusere på deres del af dette meget store puslespil. Nu skal de vise, at deres brik i puslespillet kommer til at fungere med alle de andre brikker omkring sig, som du faktisk ikke kan se nogen af. I enhver af de store bilkoncerner kan de have flere mærker, og hvert af disse mærker har en tendens til at have deres egen måde at gøre tingene på. Så selv inden for virksomheder, du kontrollerer, er det ekstremt svært at få en form for konsensus om, hvordan tingene skal gå fremad."

Når først denne udviklingsproces er på plads og gjort manuelt, anvender næste generation AI på den proces. "AI'en bliver trænet, og den vil have hundredvis af forskellige input," sagde Fritz. "Et input kunne være noget så simpelt som "Båndbredde overstiger aldrig 60%" eller "Input vil være indirekte relateret til de typer krav, der går ind i systemet." Når du først har en model på højt niveau, der kan køre, skabe en digital tvilling og derefter levere disse metrics tilbage, så ser den AI, der sidder over, på den og siger: 'Har jeg gjort tingene bedre eller værre?' Det trænes over tid til at sige, at jeg indser, at hvis jeg organiserer min struktur på denne måde, eller hvis jeg bruger, lad os sige, den nyeste bedste Arm CPU, og jeg kan køre den ved 1 gigahertz, kan jeg lave mere behandling på denne node af systemet, hvilket sænker min båndbredde. Og nu kan jeg slippe afsted med 5 gigabit Automotive Ethernet og kan opfylde et omkostningskrav eller vægtkrav eller et rækkeviddekrav. AI'en vil i sidste ende tage over for disse systemarkitekter, fordi der er for mange dimensioner, for mange variabler til, at noget menneske rent faktisk kan finde ud af dette."

Konklusion
Over tid, efterhånden som systemforståelsen forbedres til det punkt, hvor der er et standard, off-the-shelf maskinlæringsproblem, der kan identificere input og opnå resultater - og efterhånden som designteams forstår, hvordan man sammenligner disse resultater og justerer designet - så det vil blive mere gennemgående. "Billedgenkendelse er det samme som alle andre problemer," sagde Fritz. ”Når vi har det, vil det være træningen af ​​kunstig intelligens, der vil være unik for hvert mærke og hver OEM, og det vil være de gyldne juveler. Ingen kommer nogensinde til at røre ved det. Ingen kommer til at rode med det, medmindre det er kørt igennem utrolig kompliceret regressionstest for at sikre, at de ikke på en eller anden måde har brudt noget. Det er fremtiden."

Alligevel bør det grundlæggende ikke glemmes, sagde Cadence's Knoth. "AI er her, det er ikke i fremtiden. Vigtigt er det også, at du ikke kan glemme det grundlæggende. Du er nødt til at øve dine lay-up skud. Du skal øve dine straffekast. Du skal være solid i alle dine grundlæggende ting, eller det er ligegyldigt, hvor cool det nye legetøj er. Dette er dobbelt vigtigt i bilindustrien. AI kan hjælpe dig med at gøre en masse ting, men hvis du ikke er opmærksom på kvaliteten, pålideligheden og sikkerheden af ​​din del, hvis du ikke er opmærksom på dit grundlæggende design og sign-off-metoder, vil det ikke være en succes."

Når det kommer til stykket, tilbyder AI/ML mange teknikker til brug til optimeringsformål, såsom forstærkende læring, k-clustering, konvolutionelle neurale netværk, generative modstridende netværk og mere, bemærkede Rambus' Kouthon. "Anvendelsen af ​​alle disse teknikker på forskellige stadier af IC-design- og produktionsflowet er et aktivt forskningsområde, der lover fordele for emner som udbytteoptimering eller design til test og verifikation."

Tidsstempel:

Mere fra Semi Engineering