هوش مصنوعی در طراحی تراشه برجسته تر می شود

مهندسی نیمه هادی با مایکل جکسون، معاون تحقیق و توسعه شرکت در Cadence، در مورد نقش هوش مصنوعی در مدیریت داده ها و بهبود طرح ها و نقش رو به رشد آن در مسیریابی و جلوگیری از فساد خاموش داده ها صحبت کرد. جوئل سامنر، معاون مهندسی نیمه هادی و الکترونیک در National Instruments. گریس یو، مدیر محصول و مهندسی در متا، و دیوید پن، استاد گروه مهندسی برق و کامپیوتر در دانشگاه تگزاس در آستین. آنچه در زیر می آید گزیده ای از این گفتگو است که در مقابل مخاطبان زنده در DesignCon برگزار شد. بخش اول این بحث است اینجا کلیک نمایید.

SE: همه و همه چیز این روزها در حال جمع آوری حجم عظیمی از داده ها هستند. کجا و برای چه مدت نگهداری کنیم؟ و چگونه تعیین کنیم که چه چیزی مرتبط است؟

سامنر: اولین جایی که ما شاهد اعمال هوش مصنوعی هستیم، مکان هایی است که ذخیره داده بسیار بزرگ و قوی دارند. ما خوش شانس هستیم که زیرساخت آزمایش تولید نیمه هادی با فرمت استاندارد اجرا می شود، بنابراین به شما امکان می دهد آن را در این پایگاه داده های واقعاً عظیم با برچسب گذاری خوب قرار دهید، که چه چیزی یک قبولی است و چه چیزی یک شکست. این به ما سکوی پرشی داد تا در مورد این چیزها تحقیق کنیم، و از آنها به عنوان یک مدرک استفاده کنیم، زیرا در بسیاری از صنایع دیگر برای اعتبارسنجی یا هر چیز خودکار قابل استفاده است. اما امروزه در بسیاری از مکان‌ها، این ذخیره‌گاه‌های داده واقعاً به روشی استاندارد وجود ندارند. جایی که وجود دارد، جایی است که ما شاهد پذیرش هستیم.

SE: آیا همه آن داده ها در یک مکان ذخیره می شوند؟ و چگونه از این داده ها در آینده استفاده می شود؟

سامنر: در نهایت به دلایلی توزیع می شود. یکی اینکه فقط عملی است. دوم، داده های مشتری درگیر است. بنابراین لزوماً نمی توانید همه چیز را حذف کنید. به عنوان مثال، ما الگوریتم‌های هوش مصنوعی را در چندین مکان در زنجیره طراحی اجرا می‌کنیم. ما آنها را در فضای ابری اجرا می کنیم، اما نزدیک به جایی که داده ها به دست می آیند. این مستلزم توزیع داده ها است. اما در عین حال، شما واقعاً به تمام داده هایی که می خواهید نگاه کنید نیاز دارید تا بتوانید مدل را در یک مکان و به راحتی در دسترس قرار دهید.

ماهی تابه: و می توانید از این داده ها برای کمک به تصمیم گیری بهتر استفاده کنید. برای مثال، می‌توانیم ده‌ها هزار یا طرح‌بندی مختلف تولید کنیم و سپس شبیه‌سازی، استخراج و چیدمان نهایی را انجام دهیم. این مکمل متخصصان طراحی است.

جکسون: از نقطه نظر EDA، ایجاد داده های جدید اغلب می تواند با جابجایی یا ایجاد تصادفی طرح بندی انجام شود. بنابراین می توانید به صورت مصنوعی مشکلات ایجاد کنید و این می تواند منبع دیگری از داده ها باشد. این یکی از مزایای EDA است.

SE: با توجه به حجم داده ها، آیا همه این کارها در فضای ابری انجام می شود یا به صورت محلی انجام می شود؟ ما در مورد مجموعه داده های بسیار بزرگتر صحبت می کنیم که به اسب بخار محاسباتی بسیار بیشتری نیاز دارند.

جکسون: این به شرکت بستگی دارد. من با طراحی برد مدار چاپی کار می‌کنم و در حال انجام کارهایی با هوش مصنوعی هستیم، و قابلیت‌های محاسباتی زیادی در ابر وجود دارد که هوش مصنوعی را فعال می‌کند. شرکت‌های کوچک ممکن است با نگهداری داده‌های خود در فضای ابری مشکلی نداشته باشند، اما شرکت‌های بزرگ می‌خواهند آن‌ها را در فضای ابری خصوصی خود اجرا کنند.

ماهی تابه: حفظ حریم خصوصی داده ها قطعا یک نگرانی بزرگ است. این یک حوزه مهم از نظر یادگیری ماشین است. اما شما مجبور نیستید اطلاعات خود را جابجا کنید. می توانید آن را رمزگذاری کنید و سپس محاسبات هممورفیک انجام دهید. محاسبات امن یک حوزه تحقیقاتی نوظهور است. بنابراین بدون به اشتراک گذاری داده ها، همچنان می توانید آن را بررسی کنید.

Yu: بستگی به نوع داده ای دارد که در مورد آن صحبت می کنیم. ما یک سیاست بسیار سختگیرانه در مورد حفظ حریم خصوصی مشتری داریم. فقط افرادی که نیاز به دسترسی به آن داده ها دارند می توانند این کار را انجام دهند. هر کارمندی که به متا می‌پیوندد، دوره‌های آموزشی سالانه در مورد حفظ حریم خصوصی داده‌ها را می‌گذراند. برای داده های طراحی، به پروژه بستگی دارد. برخی از داده‌ها را در سرور محلی ذخیره می‌کنیم و از ابر برای دسترسی به داده‌های بزرگ و همچنین برای شبیه‌سازی و اعتبارسنجی استفاده می‌کنیم. بنابراین مورد به مورد است.

SE: با بالا رفتن سن سخت افزار، این موضوع چگونه بر رفتار هوش مصنوعی تأثیر می گذارد؟

سامنر: وقتی صحبت از پیری به میان می‌آید، مهم است که در مورد محیطی که هوش مصنوعی در آن کار می‌کند صحبت کنید. این الگوریتم‌ها نیستند که سن را می‌بینیم. داده های آموزشی است. بنابراین شما آن را بر روی مجموعه خاصی از داده های تولیدی آموزش داده اید، و این داده های تولید از یک محیط تولیدی خاص گرفته شده است. و سپس، با گذشت زمان، همه چیز منحرف می شود. یکی از این دو حالت را خواهید دید. یکی این است که کل سیستم جابجا می شود و بنابراین هوش مصنوعی باید آن را اکنون تشخیص دهد زیرا کل سیستم به اندازه کافی از داده های آموزشی اولیه خود فاصله گرفته است که نیاز به آموزش مجدد دارد. موقعیت دوم جایی است که دستگاهی با چیزی بسیار متفاوت از آنچه قبلاً دیده است مواجه می شود که الگوریتم باید بگوید: "صبر کنید، صبر کنید، من بهترین پاسخ در اینجا نیستم." اکنون باید با یک انسان مشورت کنم زیرا این خیلی دور است.» هر دوی اینها نمونه هایی از زوال در سیستم هستند. طراوت مداوم لازم است.

جکسون: موافقم. برای مقابله با پیری، بازآموزی مداوم ضروری است. اما همانطور که نرم افزار در معرض مجموعه آموزشی بزرگتر و بزرگتر قرار می گیرد، تکامل می یابد و موثرتر می شود.

ماهی تابه: بازآموزی از ابتدا می تواند بسیار گران تمام شود. در عوض، می توانید آموزش انتقالی را انجام دهید. به عنوان مثال، چند سال پیش ما کارهایی را در زمینه شناسایی نقاط مهم انجام دادیم. وقتی چیزی را در 14 نانومتر تشخیص می دهید و آن را به 7 نانومتر منتقل می کنید، لازم نیست از ابتدا شروع کنید. شما می توانید از معماری اصلی یادگیری ماشین استفاده کنید، اما می توانید از جایی در میانه شروع کنید.

SE: یکی از مشکلات بزرگ امروز، خرابی داده های خاموش است که به دلیل نقص سخت افزاری است. آیا می‌توانیم این را از طریق سیستم‌هایی که از هوش مصنوعی استفاده می‌کنند ردیابی کنیم و مشکل و علت دقیق آن را شناسایی کنیم؟

Yu: هوش مصنوعی مانند هر ابزار دیگری است. کامل نیست اما راه برای جلوگیری از این مشکلات این است که یک انسان در حلقه حضور داشته باشد تا مکرراً آزمایش اعتبار سنجی را انجام دهد، شاید با استفاده از یک سناریوی شناخته شده برای اجرای هوش مصنوعی و رایانه ببینیم آیا به نتیجه مورد انتظار می‌رسیم یا خیر. با استفاده از روش‌های ساده‌ای مانند آن، می‌توانید مشکل را شناسایی کنید، عدم تطابق را شناسایی کنید و به عمق آن‌ها بپردازید. مهندسان کامل نیستند و هوش مصنوعی کامل نیست. برای بهبود مستمر، باید مکرراً بررسی و بررسی متقابل انجام دهید تا از این نوع مسائل جلوگیری کنید.

جکسون: ما سرمایه گذاری زیادی در کل حوزه تأیید می کنیم زیرا به سرعت بخشیدن یا کمک به افراد در طراحی و رفع اشکال مشکلات عملکردی در آن طرح ها مربوط می شود. بنابراین ما قطعا این را به عنوان یک نقطه شیرین می بینیم و انرژی زیادی را به هوش مصنوعی هدایت می کنیم.

SE: آیا این کار فقط در مرحله طراحی انجام می شود یا در کل چرخه عمر تراشه انجام می شود؟

جکسون: تا حدی، چرخه عمر تراشه است. این آزمایش آن، استقرار و رفع اشکال مشکلات است

سامنر: این فناوری برای چیزهایی که به تعداد زیادی از افراد نیاز دارند تا همه چیز را مطرح کنند و بفهمند، و قادر به انجام آن در حالی که بسیاری از کارهای پیش پا افتاده اما دشوار را حذف می کنند، به خوبی کار می کند. در نهایت هدف این است که شما بتوانید شب به خانه بروید، صبح برگردید و گزارشی دریافت کنید که می‌گوید: «من یک گیگابایت یا بیشتر از داده‌ها را مرور کرده‌ام و اینجا جایی است که باید نگاه کنید. و من نمی گویم مشکلی وجود دارد، اما ممکن است وجود داشته باشد، پس به آن نگاهی بیندازید." تولید - محصول. همچنین می‌تواند در مورد اینکه چگونه الگوریتم‌های خود را قابل اعتمادتر می‌کنیم اعمال شود، و این حس را ایجاد می‌کند که می‌توانم به این مورد اعتماد کنم زیرا آزمایش شده است و می‌دانم که از یک منبع معتبر می‌آید.

ماهی تابه: راه‌های رسمی برای تایید چیزی وجود دارد و شبیه‌سازی نیز وجود دارد. در نهایت، برای پوشش خوب به هر دو نیاز داریم. در حالت ایده‌آل، ما می‌خواهیم بتوانیم آن اشکالات عجیب و غریبی را که باعث خرابی داده‌های بی‌صدا می‌شوند در اوایل فرآیند شناسایی کنیم. این یک موضوع تحقیقاتی بسیار فعال امروزی است.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: https://semiengineering.com/ai-becoming-more-prominent-in-chip-design/