Synopsys Design Space Optimization Hits A Milestone

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Μίλησα πρόσφατα με τον Στέλιο Διαμαντίδη (Διακεκριμένο Αρχιτέκτονα, Επικεφαλής Στρατηγικής, Autonomous Design Solutions) για την ανακοίνωση της Synopsys για το 100^th tapeout πελάτη χρησιμοποιώντας τη λύση DSO.ai. Η ανησυχία μου για τα άρθρα που σχετίζονται με την τεχνητή νοημοσύνη είναι να αποφευχθεί η διαφημιστική εκστρατεία που περιβάλλει την τεχνητή νοημοσύνη γενικά, και αντιστρόφως ο σκεπτικισμός ως αντίδραση σε αυτή τη διαφημιστική εκστρατεία που ωθεί ορισμένους να απορρίψουν όλους τους ισχυρισμούς για την τεχνητή νοημοσύνη ως λάδι φιδιού. Χάρηκα που άκουσα τον Στέλιο να γελάει και να συμφωνώ ολόψυχα. Είχαμε μια πολύ θεμελιωμένη συζήτηση σχετικά με το τι μπορεί να κάνει σήμερα το DSO.ai, τι βλέπουν οι πελάτες αναφοράς στη λύση (με βάση το τι μπορεί να κάνει σήμερα) και τι θα μπορούσε να μου πει για την τεχνολογία.

Synopsys Design Space Optimization

Τι κάνει το DSO.ai

Το DSO.ai συνδυάζει το Fusion Compiler και το IC Compiler II, κάτι που όπως πρόσεξε ο Στέλιος σημαίνει ότι πρόκειται για μια λύση βελτιστοποίησης σε επίπεδο μπλοκ. Τα πλήρη SoC δεν είναι ακόμη στόχος. Αυτό ταιριάζει με τις τρέχουσες πρακτικές σχεδιασμού καθώς ο Στέλιος είπε ότι ένας σημαντικός στόχος είναι η εύκολη προσαρμογή στις υπάρχουσες ροές. Ο σκοπός της τεχνολογίας είναι να επιτρέψει στους μηχανικούς υλοποίησης, συχνά έναν μόνο μηχανικό, να βελτιώσουν την παραγωγικότητά τους, διερευνώντας παράλληλα έναν μεγαλύτερο χώρο σχεδιασμού για καλύτερο PPA από ό,τι θα μπορούσε να ανακαλυφθεί διαφορετικά.

Η Synopsys ανακοίνωσε το πρώτο tapeout το καλοκαίρι του 2021 και τώρα έχει ανακοινώσει 100 tapeouts. Αυτό μιλάει καλά για τη ζήτηση και την αποτελεσματικότητα μιας λύσης όπως αυτή. Ο Στέλιος πρόσθεσε ότι η αξία γίνεται ακόμα πιο εμφανής για εφαρμογές που πρέπει να στιγματίσουν ένα μπλοκ πολλές φορές. Σκεφτείτε έναν διακομιστή πολλών πυρήνων, μια GPU ή έναν διακόπτη δικτύου. Βελτιστοποιήστε ένα μπλοκ μία φορά, στιγμιοποιήστε πολλές φορές – αυτό μπορεί να προσθέσει μια σημαντική βελτίωση PPA.

Ρώτησα εάν οι πελάτες που το κάνουν αυτό δουλεύουν όλοι στα 7nm και κάτω. Παραδόξως, υπάρχει ενεργή χρήση μέχρι τα 40nm. Ένα ενδιαφέρον παράδειγμα είναι ένας ελεγκτής φλας, ένα σχέδιο που δεν είναι ιδιαίτερα ευαίσθητο στην απόδοση, αλλά μπορεί να λειτουργήσει σε δεκάδες έως εκατοντάδες εκατομμύρια μονάδες. Η μείωση του μεγέθους ακόμη και κατά 5% εδώ μπορεί να έχει μεγάλο αντίκτυπο στα περιθώρια.

Τι είναι κάτω από την κουκούλα

Το DSO.ai βασίζεται στην ενισχυτική μάθηση, ένα καυτό θέμα αυτές τις μέρες, αλλά υποσχέθηκα καμία διαφημιστική εκστρατεία σε αυτό το άρθρο. Ζήτησα από τον Στέλιο να ξεκαθαρίσει λίγο περισσότερο, αν και δεν εξεπλάγη όταν είπε ότι δεν μπορούσε να αποκαλύψει πολλά. Αυτό που μπορούσε να μου πει ήταν αρκετά ενδιαφέρον. Επισήμανε ότι σε πιο γενικές εφαρμογές, ένας κύκλος μέσα από ένα σετ εκπαίδευσης (μια εποχή) προϋποθέτει μια γρήγορη μέθοδο (δευτερόλεπτα έως λεπτά) για την αξιολόγηση των επόμενων πιθανών βημάτων, μέσω συγκρίσεων κλίσης για παράδειγμα.

Αλλά ο σοβαρός σχεδιασμός μπλοκ δεν μπορεί να βελτιστοποιηθεί με γρήγορες εκτιμήσεις. Κάθε δοκιμή πρέπει να εκτελείται μέσω της πλήρους ροής παραγωγής, αντιστοιχίζοντας σε πραγματικές διαδικασίες παραγωγής. Ροές που μπορεί να διαρκέσουν ώρες για να τρέξουν. Μέρος της στρατηγικής για αποτελεσματική ενισχυτική μάθηση δεδομένου αυτού του περιορισμού είναι ο παραλληλισμός. Τα υπόλοιπα είναι μυστική σάλτσα DSO.ai. Σίγουρα μπορείτε να φανταστείτε ότι αν αυτή η μυστική σάλτσα μπορεί να βρει αποτελεσματικές βελτιώσεις με βάση μια δεδομένη εποχή, τότε ο παραλληλισμός θα επιταχύνει την πρόοδο στην επόμενη εποχή.

Για το σκοπό αυτό, αυτή η ικανότητα πρέπει πραγματικά να λειτουργεί σε ένα σύννεφο για να υποστηρίζει τον παραλληλισμό. Το ιδιωτικό cloud on-premises είναι μια επιλογή. Η Microsoft ανακοίνωσε ότι φιλοξενεί το DSO.ai στο Azure και η ST αναφέρει στο δελτίο τύπου του DSO.ai ότι χρησιμοποίησαν αυτή τη δυνατότητα για να βελτιστοποιήσουν την υλοποίηση ενός πυρήνα Arm. Φαντάζομαι ότι θα μπορούσαν να υπάρξουν μερικές ενδιαφέρουσες συζητήσεις σχετικά με τα πλεονεκτήματα και τα μειονεκτήματα της εκτέλεσης μιας βελτιστοποίησης σε ένα δημόσιο σύννεφο σε 1000 διακομιστές, ας πούμε, εάν αξίζει τον κόπο η μείωση της περιοχής.

Ανατροφοδότηση πελατών

Η Synopsys ισχυρίζεται ότι οι πελάτες (συμπεριλαμβανομένων των ST και SK Hynix σε αυτήν την ανακοίνωση) αναφέρουν 3x+ αυξήσεις παραγωγικότητας, έως και 25% χαμηλότερη συνολική ισχύ και σημαντική μείωση στο μέγεθος της μήτρας, όλα με μειωμένη χρήση των συνολικών πόρων. Με αυτά που περιέγραψε ο Στέλιος, μου ακούγεται λογικό. Το εργαλείο επιτρέπει την εξερεύνηση περισσότερων σημείων στο χώρο της κατάστασης σχεδίασης εντός ενός δεδομένου χρονοδιαγράμματος από ό,τι θα ήταν δυνατή αν αυτή η εξερεύνηση ήταν χειροκίνητη. Εφόσον ο αλγόριθμος αναζήτησης (η μυστική σάλτσα) είναι αποτελεσματικός, φυσικά αυτό θα έβρισκε καλύτερο βέλτιστο από μια χειροκίνητη αναζήτηση.

Με λίγα λόγια, ούτε AI hype ούτε snake oil. Το DSO.ai προτείνει η τεχνητή νοημοσύνη να εισέρχεται στην επικρατούσα τάση ως μια αξιόπιστη τεχνική επέκταση στις υπάρχουσες ροές. Μπορείτε να μάθετε περισσότερα από το δελτίο τύπου και από αυτό το ιστολόγιο.

Μοιραστείτε αυτήν την ανάρτηση μέσω: