Synopsys Design Space Optimization Hits A Milestone

Julkaissut Platon

seuraajia: 0

Keskustelin äskettäin Stelios Diamantidisin (annostunut arkkitehti, strategiapäällikkö, autonomiset suunnitteluratkaisut) kanssa Synopsysin ilmoituksesta 100:ssa.^th asiakkaan tapeout käyttämällä DSO.ai-ratkaisuaan. Tekoälyyn liittyvistä artikkeleista huolehdin, että vältän tekoälyä yleisesti ympäröivää hypeä ja päinvastoin tähän hypetykseen liittyvää skeptisyyttä, joka saa jotkut hylkäämään kaikki tekoälyväitteet käärmeöljynä. Olin iloinen kuullessani Stelioksen nauravan ja olevan koko sydämestäni samaa mieltä. Kävimme hyvin perustellun keskustelun siitä, mitä DSO.ai voi tehdä tänään, mitä heidän referenssiasiakkaansa näkevät ratkaisussa (sen perusteella, mitä se voi tehdä tänään) ja mitä hän voisi kertoa minulle tekniikasta.

Synopsys Design tilan optimointi

Mitä DSO.ai tekee

DSO.ai yhdistyy Fusion Compilerin ja IC Compiler II:n kanssa, mikä, kuten Stelios korosti, tarkoittaa, että tämä on lohkotason optimointiratkaisu; Täydet SoC:t eivät ole vielä tavoite. Tämä sopii nykyisiin suunnittelukäytäntöihin, sillä Stelios sanoi, että tärkeä tavoite on sovitettu helposti olemassa oleviin virtoihin. Teknologian tarkoituksena on mahdollistaa toteutusinsinöörien, usein yhden insinöörin, parantaminen tuottavuuden parantamiseksi samalla, kun he voivat tutkia laajempaa suunnittelutilaa paremman PPA:n saamiseksi kuin muuten olisi voitu löytää.

Synopsys julkisti ensimmäisen nauhan kesällä 2021 ja on nyt julkistanut 100 nauhaa. Tämä puhuu hyvin tällaisen ratkaisun kysynnästä ja tehokkuudesta. Stelios lisäsi, että arvo tulee entistä ilmeisemmäksi sovelluksille, joiden on instantoitava lohko monta kertaa. Ajattele moniytimistä palvelinta, GPU:ta tai verkkokytkintä. Optimoi lohko kerran, instantoi monta kertaa – tämä voi lisätä merkittävää PPA-parannusta.

Kysyin, toimivatko asiakkaat, jotka tekevät tämän, kaikki 7 nm:n ja sitä pienemmällä taajuudella. Yllättäen aktiivista käyttöä on aina 40 nm asti. Yksi mielenkiintoinen esimerkki on salamaohjain, joka ei ole kovin suorituskykyherkkä, mutta joka voi toimia kymmenistä satoihin miljooniin yksikköihin. Koko pienentäminen jopa 5 % voi vaikuttaa merkittävästi katteisiin.

Mitä konepellin alla on

DSO.ai perustuu vahvistusoppimiseen, joka on kuuma aihe nykyään, mutta lupasin, ettei tässä artikkelissa ole hypetystä. Pyysin Steliosta syventämään hieman enemmän, vaikka en ollut yllättynyt, kun hän sanoi, ettei voinut paljastaa liikaa. Se, mitä hän kertoi minulle, oli tarpeeksi mielenkiintoista. Hän huomautti, että yleisemmissä sovelluksissa yksi harjoitussarjan (epookki) sykli olettaa nopean (sekunneista minuutteihin) menetelmän arvioida seuraavia mahdollisia vaiheita, esimerkiksi gradienttivertailujen avulla.

Mutta vakavaa lohkosuunnittelua ei voida optimoida nopeilla arvioilla. Jokaisen kokeen on suoritettava koko tuotantovirta todellisiin valmistusprosesseihin kartoittaen. Virtaukset, joiden suorittaminen voi kestää tunteja. Osa tehokkaan vahvistavan oppimisen strategiaa tämän rajoitteen vuoksi on rinnakkaisuus. Loput on DSO.ai salaista kastiketta. Voit varmasti kuvitella, että jos tuo salainen kastike voi keksiä tehokkaita tarkennuksia tietyn aikakauden perusteella, niin rinnakkaisuus nopeuttaa edistymistä seuraavan aikakauden läpi.

Tätä varten tämän ominaisuuden on todella toimittava pilvessä rinnakkaisuuden tukemiseksi. Yksityinen paikan päällä oleva pilvi on yksi vaihtoehto. Microsoft on ilmoittanut isännöivänsä DSO.ai:ta Azuressa, ja ST raportoi DSO.ai:n lehdistötiedotteessa, että he käyttivät tätä ominaisuutta Arm-ytimen käyttöönoton optimointiin. Kuvittelen, että voisi käydä mielenkiintoisia keskusteluja julkisen pilven optimoinnin suorittamisen eduista ja haitoista esimerkiksi 1000 palvelimen yli, jos alueen vähentäminen on sen arvoista.

Asiakaspalaute

Synopsys väittää, että asiakkaat (mukaan lukien ST ja SK Hynix tässä ilmoituksessa) raportoivat yli 3x tuottavuuden kasvusta, jopa 25 % pienemmästä kokonaistehosta ja merkittävästä muotin koon pienenemisestä, kaikki vähentäen kokonaisresurssien käyttöä. Ottaen huomioon sen, mitä Stelios kuvaili, tämä kuulostaa minusta järkevältä. Työkalu mahdollistaa useamman pisteen tutkimisen suunnittelutila-avaruudessa tietyssä aikataulussa kuin olisi mahdollista, jos tutkimus olisi manuaalinen. Niin kauan kuin hakualgoritmi (salainen kastike) on tehokas, se tietysti löytää paremman optimin kuin manuaalinen haku.

Lyhyesti sanottuna, ei tekoälyhypeä eikä käärmeöljyä. DSO.ai ehdottaa, että tekoäly on tulossa valtavirtaan uskottavana suunnittelun laajentajana olemassa oleville virroille. Voit oppia lisää osoitteesta lehdistötiedote sekä tämä blogi.

Jaa tämä viesti: