Takeaways CadenceLIVE 2023 -tapahtumasta

Yleisön kiehtovuuden vuoksi näyttää nykyään mahdottomalta puhua mistään muusta kuin tekoälystä. CadenceLIVEssä oli virkistävää saada muistutus siitä, että syvä, tarkka ja skaalautuva matematiikka, fysiikka, tietojenkäsittelytiede ja kemia hallitsevat perustavanlaatuisia menetelmiä, joilla kaiken tyyppiset mallit pysyvät ja tulevat aina hallitsemaan kaikilla tekniikan osa-alueilla. Tekoäly täydentää suunnittelutekniikoita, jolloin insinöörit voivat tutkia enemmän vaihtoehtoja ja optimointeja. Mutta se seisoo jatkossakin yli 200 vuoden ajan kertyneen STEM-asiantuntemuksen ja laskennallisten menetelmien harteilla kääreenä, mutta ei syrjäytä näitä menetelmiä.

Tämän havainnon perusteella, missä tekoäly on hyödyllinen elektronisten suunnittelujärjestelmien menetelmissä, ja yleisemmin, miten tekoäly ja muut tekniikat vaikuttavat liiketoiminnan muutoksiin puolijohde- ja elektroniikkajärjestelmäteollisuudessa? Se on tämän blogin muun osan aihe.

Tekoäly Cadence-tuotteissa

Cadence aikoo selvästi olla AI-sovellusten edelläkävijä. Muutaman viime vuoden aikana he ovat julkistaneet useita tekoälyllä varustettuja tuotteita – Cadence Cerebrus fyysiseen synteesiin, Verisium verifiointiin, Joint Enterprise Data ja AI (JedAI) massiivisten tietojoukkojen yhdistämiseen ja Optimality usean fysiikan optimointiin. Äskettäin he lisäsivät Virtuoso-laajennukset analogiseen suunnitteluun, Allegro X AI edistyneeseen piirilevyyn ja Integrity 3D-IC-suunnitteluun.

Fyysisenä synteesituotteena odotan, että Cadence Cerebrus on ensisijaisesti suunnattu lohkosuunnitteluun samoista syistä, joista mainitsin aikaisemmassa blogissa. Tässä odotan, että useiden täydellisten fyysisten synteesiajojen ympärillä tapahtuva vahvistusoppiminen edistää laajempaa vaihtoehtojen tutkimista ja parempaa lopullista PPA:ta.

Verisiumilla on varsin laaja tavoite varmentamisessa, joka kattaa esimerkiksi debug- ja testiohjelmiston optimoinnin lohkotason peittooptimoinnin lisäksi. Lohkotason kattavuuden lisäksi odotan muiden näkökohtien tarjoavan lisäarvoa koko suunnittelun kirjossa, mikä perustuu jälleen useiden ajojen (ja ehkä jopa saman tuoteperheen tuotteiden) vahvistamiseen.

Optimaalisuus on pohjimmiltaan järjestelmätason analyysi- ja optimointipaketti. Myös tässä useiden ajojen vahvistusoppiminen voi auttaa monimutkaisia ​​usean fysiikan analyysejä – sähkömagneettisia, lämpö-, signaali- ja tehon eheys – konvergoimaan enemmän näytteitä kuin olisi mahdollista harkita perinteisessä manuaalisessa iteraatiossa.

Virtuoso Studio for analog on luonnostaan ​​lohkotason suunnittelutyökalu, koska kukaan tietääkseni ei rakenna täyden sirun analogisia suunnitelmia SoC-mittakaavassa (lukuun ottamatta muistoja ja ehkä neuromorfisia juttuja). Automaatio analogisessa suunnittelussa on ollut toivottu, mutta saavuttamaton tavoite vuosikymmeniä. Virtuoso tarjoaa nyt oppimiseen perustuvia sijoittelu- ja reititysmenetelmiä, mikä kuulostaa kiehtovalta.

Allegro X AI tavoittelee samanlaisia ​​tavoitteita piirilevysuunnittelussa tarjoamalla automaattisen piirilevyjen sijoittelun ja reitityksen. Sivusto ehdottaa, että he käyttävät generatiivisia tekniikoita täällä, aivan tekoälyn kärjessä tänään. Integrity-alusta perustuu Innovus Implementation Systemin suureen tietokantakapasiteettiin ja hyödyntää sekä Virtuosoa että Allegroa analogiseen RF- ja pakettisuunnitteluun tarjoten kattavan ja yhtenäisen ratkaisun 3D-IC-suunnitteluun.

Kolme näkökulmaa muutokseen sopeutumiseen

Ei ole mikään salaisuus, että markkinat muuttuvat nopeasti vastauksena useisiin uusiin teknologioihin (mukaan lukien tekoäly) ja nopeammin muuttuviin muutoksiin järjestelmämarkkinoilla sekä taloudellisiin ja geopoliittisiin paineisiin. Yksi hyvin ilmeinen muutos maailmassamme on sirusuunnittelun nopea kasvu järjestelmäyritysten keskuudessa. Miksi näin tapahtuu ja miten puolijohde- ja EDA-yritykset mukautuvat?

Järjestelmänäkökulma Google Cloudista

Thomas Kurian, Google Cloudin toimitusjohtaja, keskusteli Anirudhin kanssa pilvi- ja sirusuunnittelutarpeiden trendeistä. Hän käveli pilvipalveluiden kysynnän kehityksen läpi alkaen Software-as-a-Servicesta (SaaS), jota ohjasivat Intuitin ja Salesforcen sovellukset. Sieltä maisema eteni Infrastructure-as-a-Service (IaaS) -palveluun, jolloin voimme ostaa joustavan pääsyn laskentalaitteistoon ilman tarvetta hallita kyseistä laitteistoa.

Nyt Thomas näkee digitalisaation päätekijänä: autoissa, matkapuhelimissa, kodinkoneissa ja teollisuuskoneissa. Digitalisaation edistyessä digitaalisista kaksosista on tullut suosittuja virtualisoitujen prosessien mallintamiseen ja optimointiin soveltamalla syväoppimista laajempien mahdollisuuksien tutkimiseen.

Tämän tavoitteen tukemiseksi laajassa mittakaavassa Google haluaa pystyä käsittelemään maailmanlaajuisia verkotettuja palvelinkeskuksia yhtenäisenä laskentaresurssina, joka muodostaa yhteyden erittäin alhaisen viiveen verkkorakenteiden kautta ennustettavan suorituskyvyn ja viiveen takaamiseksi riippumatta siitä, miten työkuormat jakautuvat. Tämän tavoitteen saavuttaminen vaatii paljon mukautettua puolijohdesuunnittelua verkottumista, tallennusta, tekoälymoottoreita ja muita kiihdyttimiä varten. Thomas uskoo, että tietyillä kriittisillä alueilla he voivat rakentaa eriytettyjä ratkaisuja, jotka täyttävät CAPEX- ja OPEX-tavoitteensa paremmin kuin ulkopuolelta hankittujen puolijohteiden avulla.

Miksi? Ulkopuolisen toimittajan ei aina ole käytännöllistä testata järjestelmän todellisessa mittakaavassa. Kuka pystyy toistamaan suoratoistovideoliikenteen Googlen, AWS:n tai Microsoftin mittakaavassa? Myös rakennusjärjestelmien prosessien eriyttämisessä komponenttien optimointi auttaa, mutta ei niin paljon kuin koko prosessin optimointi. Sanotaan vaikka Kubernetesista säilöihin, provisiointiin tai laskentatoimintoon. Valtavirran puolitoimittajan on vaikea hallita tätä laajuutta.

Puolijohteiden näkökulma Marvellilta

Chris Koopmans, Marvellin operatiivinen johtaja, puhui siitä, kuinka he mukautuvat kehittyviin järjestelmäyritysten tarpeisiin. Marvell on täysin keskittynyt tietoinfrastruktuuriteknologiaan palvelinkeskuksissa sekä langattomien ja langallisten verkkojen kautta. Tekoälykoulutuksen ja muiden solmujen on kyettävä kommunikoimaan luotettavasti suurella kaistanleveydellä ja alhaisella latenssilla teratavuilla sekunnissa datakeskuksen kokoisilla etäisyyksillä. Ajattele ChatGPT:tä, jonka huhutaan tarvitsevan noin 10 XNUMX GPU:ta koulutukseen.

Tämä liitettävyys vaatii erittäin tehokkaan tietoinfrastruktuurin, mutta pilvipalveluntarjoajat (CSP) tarvitsevat kaiken mahdollisen erilaistumisen ja haluavat välttää yhden koon ratkaisuja. Marvell tekee yhteistyötä CSP:n kanssa suunnitellakseen pilveen optimoidun piin. Tämä alkaa yleiskäyttöisellä komponentilla, joka palvelee ylimääräisiä tarpeita ja sisältää joitain oikeita ainesosia tietylle CSP:lle, mutta joka on ylirakennettu, joten se ei ole riittävän tehokas sellaisenaan. Pilvikäyttöön optimoitu ratkaisu räätälöidään tältä alustalta CSP:n tavoitetyökuormille ja -sovelluksille, mikä pudottaa tarpeettomat ja optimoidaan tarvittaessa erikoiskiihdyttimille ja käyttöliittymille. Tämän lähestymistavan avulla Marvell voi toimittaa asiakaskohtaisia ​​suunnitelmia referenssisuunnittelusta käyttämällä Marvellin eriyttämiä infrastruktuurikomponentteja.

EDA:n näkökulma Cadencesta

Tom Beckley, Cadence Custom IC & PCB -ryhmän vanhempi varapääjohtaja ja GM, esitti EDA:n näkemyksen muutokseen sopeutumisesta. Saatat ajatella, että järjestelmien ja puolijohdesuunnittelun asiakkaiden kanssa EDA:lla on helppoa. Näiden tarpeiden palvelemiseksi kattavan EDA-ratkaisun on kuitenkin katettava koko spektri - IC-suunnittelusta (digitaalinen, analoginen ja RF) 3D-IC- ja pakkaussuunnitteluun, piirilevysuunnitteluun ja sitten sähkömekaaniseen suunnitteluun (Dassault). Systèmes-yhteistyö).

Lisää yhdistelmään analytiikkaa ja optimointia varmistaaksesi sähkömagneettisen, lämpö-, signaalin ja tehon eheyden, jolloin asiakkaat voivat mallintaa ja optimoida kokonaisia ​​järjestelmiä (ei vain siruja) ennen kuin laitteisto on valmis. Samalla kun tunnustetaan, että heidän asiakkaat työskentelevät tiukoilla aikatauluilla ja nyt rajoitetulla henkilöstömäärällä. Yhdessä se on suuri määräys. Lisää yhteistyötä, enemmän automaatiota ja enemmän tekoälyohjattua suunnittelua tarvitaan.

Tässä hahmoteltujen ratkaisujen avulla Cadence näyttää olevan hyvällä tiellä. Poiminnani, CadenceLIVE 2023, tarjosi hyvän päivityksen siitä, kuinka Cadence vastaa teollisuuden tarpeisiin (terveellä annoksella tekoälyä), sekä uusia näkemyksiä järjestelmä-/puolijohde-/suunnitteluteollisuuden suunnista.

Jaa tämä viesti:

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoAiStream. Web3 Data Intelligence. Tietoa laajennettu. Pääsy tästä.
• Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
• Osta ja myy osakkeita PRE-IPO-yhtiöissä PREIPO®:lla. Pääsy tästä.
• Lähde: https://semiwiki.com/artificial-intelligence/328563-takeaways-from-cadencelive-2023/