चिप डिजाइन में एआई अधिक प्रमुख होता जा रहा है

सेमीकंडक्टर इंजीनियरिंग डेटा के प्रबंधन और डिजाइन में सुधार करने में एआई की भूमिका के बारे में बात करने के लिए बैठ गया, और साइलेंट डेटा भ्रष्टाचार को पाथफाइंडिंग और रोकने में इसकी बढ़ती भूमिका, माइकल जैक्सन, आर एंड डी के कॉर्पोरेट उपाध्यक्ष के साथ; नेशनल इंस्ट्रूमेंट्स में सेमीकंडक्टर और इलेक्ट्रॉनिक्स इंजीनियरिंग के उपाध्यक्ष जोएल सुमनेर; ग्रेस यू, मेटा में उत्पाद और इंजीनियरिंग प्रबंधक, और ऑस्टिन में टेक्सास विश्वविद्यालय में इलेक्ट्रिकल और कंप्यूटर इंजीनियरिंग विभाग में प्रोफेसर डेविड पैन। प्रस्तुत है उस बातचीत के अंश, जो DesignCon में लाइव ऑडियंस के सामने आयोजित किए गए थे। इस चर्चा का एक भाग है यहाँ उत्पन्न करें.

एसई: हर कोई और सब कुछ इन दिनों भारी मात्रा में डेटा एकत्र कर रहा है। हम इसे कहाँ और कब तक स्टोर करते हैं? और हम कैसे निर्धारित करते हैं कि क्या प्रासंगिक है?

समनर: जहां हम एआई को सबसे पहले लागू होते हुए देख रहे हैं, वे स्थान हैं जहां बहुत बड़ा और मजबूत डेटा स्टोरेज है। हम भाग्यशाली हैं कि सेमीकंडक्टर उत्पादन परीक्षण बुनियादी ढांचा एक मानक प्रारूप से चलता है, इसलिए यह आपको अच्छी टैगिंग के साथ वास्तव में बड़े पैमाने पर डेटाबेस में डालने की अनुमति देता है, जो कि पास है और क्या असफल है। इसने हमें इन चीजों पर शोध करने के लिए एक स्प्रिंगबोर्ड दिया है, और उन्हें एक प्रमाण बिंदु के रूप में उपयोग करने के लिए क्योंकि यह सत्यापन या कुछ भी स्वचालित के लिए बहुत सारे अन्य उद्योगों में प्रयोज्यता है। लेकिन वे डेटा स्टोर वास्तव में आज कई जगहों पर मानक तरीके से मौजूद नहीं हैं। जहां यह मौजूद है, वहीं हम गोद लेने को देख रहे हैं।

एसई: क्या वह सारा डेटा एक जगह स्टोर किया जाएगा? और उस डेटा को आगे कैसे इस्तेमाल किया जाएगा?

समनर: यह कई कारणों से वितरित किया जाएगा। एक यह है कि यह सिर्फ व्यावहारिक है। दूसरा, इसमें ग्राहक डेटा शामिल है। इसलिए जरूरी नहीं कि आप सब कुछ मिटा दें। उदाहरण के लिए, हम डिज़ाइन श्रृंखला में कई स्थानों पर AI एल्गोरिदम चला रहे हैं। हम उन्हें क्लाउड में चला रहे हैं, लेकिन डेटा प्राप्त करने के स्थान के करीब भी। इसके लिए डेटा वितरित करने की आवश्यकता है। लेकिन साथ ही, आपको वास्तव में उन सभी डेटा की आवश्यकता होती है जिन्हें आप मॉडल को एक स्थान पर और आसानी से सुलभ होने के लिए प्रशिक्षित करने के लिए देखना चाहते हैं।

रोटी: और आप बेहतर निर्णय लेने में मदद के लिए उस डेटा का उपयोग कर सकते हैं। उदाहरण के लिए, हम हजारों या अलग-अलग लेआउट उत्पन्न कर सकते हैं, और फिर अनुकरण, निष्कर्षण और अंतिम लेआउट कर सकते हैं। यह डिजाइन विशेषज्ञों का पूरक है।

जैक्सन: ईडीए के दृष्टिकोण से, नए डेटा का निर्माण अक्सर अनुमति देकर या बेतरतीब ढंग से लेआउट बनाकर किया जा सकता है। तो आप कृत्रिम रूप से समस्याएँ पैदा कर सकते हैं, और यह डेटा का एक अन्य स्रोत हो सकता है। यह ईडीए के फायदों में से एक है।

एसई: डेटा की मात्रा को देखते हुए, क्या यह सब क्लाउड में किया जा रहा है, या यह स्थानीय रूप से किया जाएगा? हम बहुत बड़े डेटा सेट के बारे में बात कर रहे हैं, जिसके लिए बहुत अधिक कम्प्यूट हॉर्सपावर की आवश्यकता होती है।

जैक्सन: वह कंपनी पर निर्भर करेगा। मैं प्रिंटेड सर्किट बोर्ड डिजाइन के साथ काम कर रहा हूं और हम एआई के साथ कुछ काम कर रहे हैं, और एआई को सक्षम करने वाले क्लाउड में बहुत अधिक गणना क्षमता है। छोटी कंपनियां अपने डेटा को क्लाउड में रखने से ठीक हो सकती हैं, लेकिन बड़ी कंपनियां इसे अपने निजी क्लाउड में चलाना चाहती हैं।

रोटी: डेटा प्राइवेसी निश्चित रूप से एक बड़ी चिंता है। मशीन लर्निंग के मामले में यह एक महत्वपूर्ण क्षेत्र है। लेकिन आपको अपने डेटा को पास करने की ज़रूरत नहीं है। आप इसे एन्क्रिप्ट कर सकते हैं और फिर होमोमोर्फिक कंप्यूटिंग कर सकते हैं। सुरक्षित कंप्यूटिंग एक उभरता हुआ अनुसंधान क्षेत्र है। इसलिए डेटा साझा किए बिना, आप अभी भी इसकी जांच कर सकते हैं।

Yu: यह इस बात पर निर्भर करता है कि हम किस तरह के डेटा की बात कर रहे हैं। ग्राहक गोपनीयता पर हमारी बहुत सख्त नीति है। केवल वे लोग ही ऐसा कर सकते हैं जिन्हें उस डेटा तक पहुँचने की आवश्यकता है। मेटा में शामिल होने वाला प्रत्येक कर्मचारी डेटा गोपनीयता पर वार्षिक प्रशिक्षण से गुजरता है। डिजाइन डेटा के लिए, यह परियोजना पर निर्भर करता है। कुछ डेटा हम स्थानीय सर्वर पर संग्रहीत करते हैं, और हम अपने बड़े डेटा एक्सेस के लिए क्लाउड का उपयोग करते हैं, और सिमुलेशन और सत्यापन के लिए भी। तो यह मामला-दर-मामला है।

एसई: हार्डवेयर युग के रूप में, यह एआई के व्यवहार को कैसे प्रभावित करता है?

समनर: जब उम्र बढ़ने की बात आती है, तो यह महत्वपूर्ण है कि आप उस वातावरण के बारे में बात करें जिसमें एआई चल रहा है। यह एल्गोरिदम नहीं है जिसे हम उम्र देखते हैं। यह प्रशिक्षण डेटा है। तो आपने इसे निर्माण डेटा के एक विशेष सेट पर प्रशिक्षित किया है, और वह निर्माण डेटा एक विशेष निर्माण वातावरण से लिया गया था। और फिर, समय के साथ चीजें बदल जाती हैं। आप दो स्थितियों में से एक देखेंगे। एक तो पूरा सिस्टम ड्रिफ्ट होता है, और इसलिए AI को अब इसका पता लगाना होगा क्योंकि पूरा सिस्टम अपने शुरुआती प्रशिक्षण डेटा से काफी दूर चला गया है जिसे उसे फिर से प्रशिक्षित करने की आवश्यकता है। दूसरी स्थिति यह है कि जहां कोई डिवाइस पहले जो कुछ भी देखा है, उससे कुछ अलग के साथ आता है कि एल्गोरिदम को कहना है, 'रुको, रुको, मैं यहां सबसे अच्छा जवाब नहीं हूं। मुझे अब एक मानव से परामर्श करने की आवश्यकता है क्योंकि यह बहुत दूर है।' वे दोनों प्रणाली में क्षय के उदाहरण हैं। लगातार रिफ्रेशिंग जरूरी है।

जैक्सन: मैं सहमत हूं। बढ़ती उम्र को दूर करने के लिए निरंतर प्रशिक्षण आवश्यक है। लेकिन जैसे-जैसे सॉफ्टवेयर बड़े और बड़े प्रशिक्षण सेट के संपर्क में आता है, यह भी विकसित होता है और अधिक प्रभावी हो जाता है।

रोटी: शुरुआत से फिर से प्रशिक्षण लेना बहुत महंगा हो सकता है। इसके बजाय आप ट्रांसफर लर्निंग कर सकते हैं। उदाहरण के लिए, कई साल पहले हमने हॉटस्पॉट डिटेक्शन पर कुछ काम किया था। जब आप 14nm पर कुछ पता लगा रहे हैं और आप उसे 7nm पर माइग्रेट करते हैं, तो आपको स्क्रैच से शुरू करने की आवश्यकता नहीं है। आप एक मूल मशीन लर्निंग आर्किटेक्चर का उपयोग कर सकते हैं, लेकिन आप बीच में कहीं से शुरू कर सकते हैं।

एसई: आज बड़े मुद्दों में से एक मूक डेटा भ्रष्टाचार है, जो हार्डवेयर दोषों के कारण होता है। क्या हम एआई का उपयोग कर सिस्टम के माध्यम से इसका पता लगा सकते हैं और समस्या और सटीक कारण की पहचान कर सकते हैं?

Yu: एआई किसी अन्य उपकरण की तरह है। यह सही नहीं है। लेकिन इन मुद्दों से बचने का तरीका यह है कि मानव को बार-बार सत्यापन परीक्षण करने के लिए पाश में रखा जाए, शायद एआई और कंप्यूटर को चलाने के लिए एक ज्ञात परिदृश्य का उपयोग करके यह देखा जाए कि हमें अपेक्षित परिणाम मिलते हैं या नहीं। इस तरह के सरल तरीकों का उपयोग करके आप समस्या की पहचान कर सकते हैं, बेमेल की पहचान कर सकते हैं और उन क्षेत्रों में गहराई तक जा सकते हैं। इंजीनियर परिपूर्ण नहीं हैं, और एआई पूर्ण नहीं है। लगातार सुधार करने के लिए आपको इस तरह के मुद्दों से बचने के लिए अधिक बार दोबारा जांच और क्रॉस चेक करना होगा।

जैक्सन: हम सत्यापन के पूरे क्षेत्र में भारी निवेश कर रहे हैं क्योंकि यह डिजाइन में तेजी लाने या लोगों की सहायता करने और उन डिजाइनों में कार्यात्मक समस्याओं के डीबग से संबंधित है। तो हम निश्चित रूप से इसे एक अच्छे स्थान के रूप में देखते हैं, और हम एआई में बहुत अधिक ऊर्जा का संचार कर रहे हैं।

एसई: क्या यह सिर्फ डिजाइन चरण में किया गया है, या यह चिप के पूरे जीवन चक्र में है?

जैक्सन: एक निश्चित सीमा तक, यह चिप का जीवनचक्र है। यह इसका परीक्षण, परिनियोजन और समस्याओं का डिबग है

समनर: यह तकनीक उन चीजों के लिए अच्छी तरह से काम करती है, जिनके लिए सभी को पिच करने और कुछ पता लगाने के लिए व्यापक मात्रा में लोगों की आवश्यकता होती है, और बहुत सारे सांसारिक लेकिन कठिन काम को दूर करते हुए ऐसा करने में सक्षम होने के लिए। अंततः आपका लक्ष्य यह है कि आप रात में घर जा सकें, सुबह वापस आ सकें और एक रिपोर्ट प्राप्त कर सकें जो कहती है, 'मैंने गीगाबाइट, या अधिक, डेटा के माध्यम से जाना है और यहां वह स्थान है जिसे आपको देखना चाहिए। और मैं यह नहीं कह रहा हूँ कि कोई समस्या है, लेकिन हो सकती है, इसलिए उस पर एक नज़र डालें।' यह सूखी घास के ढेर की समस्याओं को ले रहा है और उन्हें केंद्रित प्रयासों में बदल रहा है कि आप अपने उत्पाद में किसी समस्या से कैसे निपटते हैं। इसे इस बात पर भी लागू किया जा सकता है कि हम अपने एल्गोरिदम को और अधिक भरोसेमंद कैसे बनाते हैं, जिससे यह समझ पैदा होती है कि मैं इस चीज़ पर भरोसा कर सकता हूं क्योंकि इसका परीक्षण किया जा चुका है और मुझे पता है कि यह एक प्रतिष्ठित स्रोत से आ रहा है।

रोटी: किसी चीज़ को सत्यापित करने के औपचारिक तरीके हैं और अनुकरण है। अंतत: हमें अच्छे कवरेज के लिए दोनों की जरूरत है। आदर्श रूप से, हम उन अजीब गड़बड़ियों की पहचान करने में सक्षम होना चाहते हैं जो प्रक्रिया की शुरुआत में मूक डेटा भ्रष्टाचार का कारण बनती हैं। यह आज का एक बहुत सक्रिय शोध विषय है।

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• स्रोत: https://semiengineering.com/ai-becoming-more-prominent-in-chip-design/