Az ML Automotive Chip Design elindul

A gépi tanulást egyre gyakrabban alkalmazzák az autók chipeinek és elektronikájának széles körében, mind a szabványos alkatrészek megbízhatóságának javítása, mind pedig az egyre autonómabb alkalmazásokban használt, rendkívül összetett mesterségesintelligencia-chipek létrehozása érdekében.

Ami a tervezést illeti, manapság az EDA-eszközök többsége a megerősítő tanulásra, az AI gépi tanulási részhalmazára támaszkodik, amely megtanítja a gépet, hogyan hajtson végre egy adott feladatot a mintafelismerés alapján. Ellentétben az AI chipekben található képfelismeréssel, amely hatalmas adathalmazok betanításán alapul, a gépi tanulás sokkal kisebb adatmennyiség felhasználásával gyorsan pontos eredményeket tud produkálni. A Synopsys, a Cadence, a Siemens és mások egyaránt alkalmazták eszközeikben a megerősítő tanulást, és autóipari ügyfeleik a jobb teljesítményt nyújtó és szigorú biztonsági célokat teljesítő chipek piacra kerülésének gyorsabb idejét mutatják.

„Ezen összetett chipek ellenőrzése a biztonság és a funkcionalitás szavatolása szempontjából is kritikus fontosságú, ezért a mai legfejlettebb eszközök az AI/ML segítségével automatizálják a lefedettségi lyukak felfedezését a tesztelés során, biztosítva, hogy a megfoghatatlan rések és a proxy által megfoghatatlan hibák észlelhetők, amelyek fel nem fedezése katasztrofális lehet a területen” – mondta Thomas Andersen, az AI-ért és a gépi tanulásért felelős alelnöke Synopsys. Megjegyezte, hogy amellett, hogy megfelel a teljesítmény-, teljesítmény- és területkövetelményeknek, a gépi tanulás segíthet meghatározni a particionálási és térközi követelményeket a redundáns chip-funkciókhoz.

Napjainkban a járművek chipek gyártásához használt gépi tanulás mennyisége, és az AI használata ezekben a járművekben növekszik. Hogy ez milyen gyorsan fog változni, az csak sejtés kérdése, de a tendenciák egyértelműek.

„Mára is van válasz, és van válasz néhány év múlva is, és ezek nagyon különböznek egymástól” – mondta David Fritz, a hibrid-fizikai és virtuális rendszerek autóipari és mil-aero részlegének alelnöke. Siemens Digital Industries szoftver. „A rendszerfelderítéssel kezdjük, és ehhez léteznek eszközök. Lehetővé teszik ennek az összetett térnek és a rendszer kinézetének feltárását. Például hogy néznek ki az ECU-k? Hol kell futnia a szoftvernek? A múltban elég könnyű volt csak azt mondani, hogy „Itt van egy MATLAB modell, amely modellezi a funkcionalitást”, nyomd meg a gombot, generálsz egy C kódot, és kész. A probléma az, hogy az egész automatizált folyamat eltűnt. Egyszerűen nem működik, mert az autó összetettsége miatt a számítási követelmények annyira lemaradtak a listáról.”

A lényegi modell, amely mára gyorsan elavulttá válik, a V diagram. „Régebben csak le lehetett bontani a minimális egységekre, elő lehetett állítani azt a kis C kódot a modellből, összeraktuk az egészet, és lám, működik” – mondta Fritz. „A probléma az, hogy amikor elérünk egy bizonyos bonyolultsági szintet, ez már nem működik, mert amikor az összes puzzle-darabot összerakjuk, rájössz, hogy hiányzik a négy sarok közül kettő, és több darab a közepén. hiányoznak. Ami ma történik, az az a folyamat, amely során figyelembe veszik a követelményeket, és lényegében meghatározzák, hogyan nézne ki egy lehetséges rendszerarchitektúra, majd szimulálják és megmérik. Ezután végezze el ezeket a méréseket, hasonlítsa össze őket a követelményekkel, és ismételje meg az émelygést."

Az eszközoldalon a gépi tanuláson lehet a hangsúly, de a járművekben végső soron a teljes mesterséges intelligencia szükséges az egyre autonómabb funkciók kezeléséhez. „Az EDA-szállítók új alkalmazásokat találtak az [ML] számára az SoC fejlesztési folyamatok optimalizálására, automatizálására és felgyorsítására” – mondta Thierry Kouthon, a Security IP műszaki termékmenedzsere. Rambus. „A chipek tervezése egyre bonyolultabbá válik az alacsonyabb geometriáknál megnövekedett sűrűség, az alacsony késleltetési követelmények, a több milliárd kapuval rendelkező hiperskálás tervezés és a piacra kerülési idő miatti nyomás miatt. Ennek eredményeként kifinomult szaktudást igényel, amely egyre ritkábbá válhat, és jelentős beruházásokra lesz szükség az agresszív ütemezések kielégítéséhez.”

Az EDA-szállítók megerősítő tanulást alkalmaztak, hogy javítsák az SoC-k tervezését és gyártását. "Ma az SoC tervezési folyamatának számos területén használják, mint például a logikai szintézis, ellenőrzés, elhelyezés, útválasztás, 3D-s integráció és tesztelésre való tervezés" - mondta Kouthon, megjegyezve, hogy az EDA-vállalatok a megerősítő tanulást támogatják, hogy felgyorsítsák és javítsák a Az ASIC tervezési folyamatok minőségének javítása, valamint a félvezető projektekben felhasznált erőforrások mennyiségének csökkentése.

Az elmúlt néhány hónapban szinte az összes nagy EDA-szállító átvette a gépi tanulás bizonyos szintjét, és egyre jobban törekednek a mesterséges intelligencia világába, ahogy egyre több releváns adatot gyűjtenek össze. „Bár még mindig nagy lehetőség áll előttünk, és nagy mennyiségű innováció lehetséges, ez még csak most kezd bezárkózni” – mondta Rob Knoth, a Digital & Signoff Group termékmenedzsment csoportjának igazgatója. hanglejtés. „Csak ki kell nyitnia az újságot, vagy át kell olvasnia néhány jelentést. Ha megnézi, hogy a Tesla mit csinál a Dojo szuperszámítógépével, láthatja, hogy az átfogó rendszert hogyan befolyásolja, gondoskodik és tervezi nemcsak az AI, hanem az AI számára. A chip hihetetlenül fontos, de a chip csak az autó vagy az adatközpont kontextusa szempontjából fontos. És az a hatalmas mennyiségű adat, amely az autóipari funkciók ellátásához szükséges a minőség és a megbízhatóság javításához, valamint a funkcionális biztonsági problémák megoldásához – mindez együtt táncol. Ez nem egy darab elszigetelt, és ez az igazi szépség és potenciál, amely csak most kezd kibontakozni.”

Az AI/ML kritikus szerepet játszhat az autóipari tervezési folyamat számos részében.

„Az egyik oldalon beszélhet autóspecifikus dolgokról, de a másik oldalon hátraléphet, és azt mondhatja: „Ezek a hihetetlenül intelligens, szélső, mesterséges intelligencia-kompatibilis autós eszközök nagyon hasonlítanak sok más típusú fejlett félvezetőhöz ott” – mondta Knoth. „Az AI már nem a jövőbeni téma a felhasználói konferenciánkon, [ez egy aktuális téma]. Minden iparág agresszíven használja mindennapi munkája elvégzésére, mert lehetővé teszi a mérnökök számára, hogy több időt töltsenek azzal, amihez a mérnökök egyedülállóan és gyönyörűen alkalmasak – nézze a szándékot, nézze az iránymutató dolgokat, tárja fel a dolgokat, többet aggódjon a funkciókat, szemben a napi megvalósítással. A mesterséges intelligencia pedig lehetővé teszi az összetettebb, differenciáltabb, testre szabott szilícium nagyobb elterjedését.”

Mások egyetértenek. "A chip architektúra szempontjából a modern autóipari chipek nagymértékben a vezetési szempontok és a biztonsági funkciók automatizálását célozzák" - mondta a Synopsys Andersen. „Mint ilyenek, lényegében az autóba épített mesterséges intelligencia chipekké váltak, amelyek komplex CNN-funkciókat valósítanak meg a képek, videók és jelenetek elemzésére, valamint a megfelelő intézkedések megtételére a balesetek elkerülése vagy a teljes önvezető automatizálás érdekében.”

Az autóiparban a munka középpontjában a minőség, a megbízhatóság és a biztonság áll.

„A minőség lényege, hogy csökkentsük a gyártásból kikerülő hibás alkatrészeket (DPPM)” – mondta. „A megbízhatóság nem más, mint annak biztosítása, hogy a termék élettartama alatt működőképes maradjon. A funkcionális biztonság alapvetően azt jelenti, hogy "Ha valami elromlik, ügyeljünk arra, hogy ne okozzunk kárt." Ezek mindegyike szorosan kapcsolódik az autóiparhoz, és mindegyikben a mesterséges intelligenciát vagy aktívan használják e célok eléréséhez, vagy a múltban elért eredmények alapján megvan a lehetőség arra, hogy a mesterséges intelligencia alkalmazását rájuk alkalmazzák. Teszteljen okosabban, végezzen jobb öregedéselemzést, vagy legyen okosabb, hatékonyabb és eredményesebb a beépített biztonsági mechanizmusokkal kapcsolatban.”

Az AI/ML számos autóipari alkalmazásba és eszközbe illeszkedik, és gyakran támogatják egymást. „A fejlesztési technikáink nagy szerepet játszanak, mert azon töprengtünk, hogyan ellenőrizzük ezt az AI-t” – mondta Frank Schirrmeister, a megoldásokért és üzletfejlesztésért felelős alelnöke. Arteris IP. „Van szerkezeti ellenőrzés a CNN-hez, DNN-hez vagy bármihez, amit használnak? Funkcionálisan helyesen végzi a szorzást? Ennek ellenére, ha már betanítottad, nagyon kevés mód van annak ellenőrzésére, hogy hol nem lesznek kiugró értékek. Ezért van szükség védőkorlátokra, és itt jönnek a rendszerszintű fejlesztési kihívások. A mesterséges intelligencia segít a látásban az autóban és a dolgok felismerésében, de akkor is meg kell védenie, és fejlesztési szempontból ki kell találnia a megfelelő módszereket kecses degradáció. Ha valami értelmetlen, hogyan lehet kecsesen megbukni vagy kecsesen megállítani az autót anélkül, hogy bárkit is megölnél? Ez része a fejlesztési folyamat rendszerszintű megfontolásainak – hogyan lehet védeni az AI-t.”

Az AI megfontolások fokozása
Mindezek a megfontolások egyre fontosabbak, ahogy egyre több AI/ML kerül a járművekbe, és felhasználják a chipek létrehozására ezekben a járművekben.

Ron DiGiuseppe, a Synopsys autóipari IP-ért felelős vezető marketingvezetője úgy látja, hogy az AI használata folyamatos. „Ott van a mobilitási spektrum, ADAS 2. szint, 2+ szint, 3. szint, 4. szint, 5. szint a teljes önvezetésig. A 2. szintű ADAS automatizálás ADAS kategóriájában – amelyek jelenleg az autókban alkalmazott alkalmazások, beleértve az adaptív tempomatot is – ez egy mesterséges intelligencia alkalmazás csak az ADAS számára. Nem önvezető. Egy másik példa az automatikus vészfékezés. Ha az utcán halad, és egy kutya átfut, a tárgyészlelés automatikus vészfékezést indít el. Ezeket jelenleg az autókban alkalmazzák, amelyek közül sok látás alapú mesterséges intelligencia. A legjobb példa a Mobileye, amely valószínűleg a legszélesebb körben használt AI alkalmazásokban az ADAS-ban. Az önvezetéstől függetlenül az AI-t más alkalmazásokban is alkalmazzák az autón belül, de ezek még fejlesztés alatt állnak. A termelésben nem sok mindent alkalmaznak."

A jövőben DiGiuseppe elmondta, hogy a mesterséges intelligencia más alkalmazásokhoz is használható lesz az autóban, mint például az infotainment járművezető-figyelő rendszerekben, például a tekintetérzékelésben, hogy lássák, merre néz a vezető. „Az elektromos járművek hajtásláncában is a DC-DC konverter jó példa arra, hogy a mesterséges intelligencia hogyan optimalizálhatja ezt az alkalmazást az akkumulátorkezelő rendszer számára. Általában ez egy algoritmus az akkumulátor töltésének/kisütésének optimalizálására. Ez a mesterséges intelligencia egy másik szokatlan alkalmazása, de a lényeg az, hogy az autón belül sok különböző alkalmazáshoz eljut.”

A villanymotor-érzékelő csökkentés egy újabb alkalmazása az AI számára. „Vannak benne hardveres érzékelők, amelyek prediktív elemzést és mesterséges intelligencia segítségével hajtják végre ezt a funkciót. Tehát ahelyett, hogy ténylegesen hardveres érzékelőket használna a hajtásláncban egy elektromos motorral, használhat AI prediktív elemzést” – tette hozzá DiGiuseppe.

Az AI-algoritmusok végső telepítési módja idővel változik. A két kulcsfontosságú elem a rugalmasság és a méret. „Ha viszonylag kicsi modellekről van szó, az eFPGA egy megvalósítható megközelítés” – jegyezte meg Geoff Tate, a vállalat vezérigazgatója. Flex Logix. Ez különösen hasznos lehet a PPA maximalizálására törekvő tervezők számára. Az eFPGA-k rendkívül hatékonyak a megapixeles képekkel és több száz réteggel, például a YOLOv5L6-tal rendelkező nagy látómodellek esetében, magyarázta Tate. A terepen is átprogramozhatók, hogy kihasználják az algoritmus változtatásait.

Jelenlegi AI megvalósítás
Mindezek beépítése a tervezési folyamatba nagyon korai koncepcionális tervezést igényel. „Ezt „balról balról” hívjuk” – mondta Fritz. "Ennek meg kell történnie, mielőtt balra váltana, és itt jönnek a bonyodalmak. Most döntéseket hozok, tehát olyan módszertanra van szükségem, amely nem csak előre tekint a megvalósításra, és összegyűjti ezeket a mutatókat, hogy lássam, Meg fogok felelni az igényeimnek. Arra is képesnek kell lennem, hogy átvegyem ezt a tervet, és továbbadjam a tényleges megvalósítóknak, legyenek azok belsők, egy beszállítónál vagy bárhol. Hogyan tudom ezt megtenni 100 különböző cégnél, amelyek többségének fogalma sincs, miről beszélünk, vagy hogy a darabjuk hogyan illeszkedik a nagyobb összképbe? Hogyan jön mindehhez az IP-védelem? Ez nagy kihívás.”

Fritz úgy véli, hogy ez az egyik fő oka annak, hogy a 4. és 5. szintű autonómia ennyire késik. „Ez nem feltétlenül a járműben található mesterséges intelligencia miatt van, bár ez kétségtelenül kihívás. És ez nem a funkcionális biztonságról szól. Ez már nem minderről szól. Ezt jól kezeljük. De hogyan lehet ezt megvalósítani egy valós világban, ahol a különböző beszállítók saját maguk készítik a darabjaikat? Mindannyian hozzászoktak ahhoz, hogy a maguk módján csinálják a dolgokat, és ennek a nagyon nagy kirakós játéknak csak a saját darabjára összpontosítanak. Most meg kell mutatniuk, hogy a kirakós darabjuk működni fog a körülötte lévő összes többi darabbal, amelyek közül egyiket sem látja valójában. A nagy autóipari csoportok bármelyikében több márkával is rendelkezhetnek, és ezeknek a márkáknak mindegyike megvan a maga módján. Tehát még az Ön által irányított vállalatokon belül is rendkívül nehéz valamiféle konszenzusra jutni arról, hogy a dolgoknak hogyan kell előrehaladniuk.”

Amint ez a fejlesztési folyamat megtörtént, és manuálisan megtörténik, a következő generáció alkalmazza az AI-t ehhez a folyamathoz. „A mesterséges intelligencia képzésben részesül, és több száz különböző bemenettel rendelkezik majd” – mondta Fritz. „Egy bemenet lehet valami olyan egyszerű, mint például: „A sávszélesség soha nem haladja meg a 60%-ot” vagy „A bemenetek közvetetten kapcsolódnak a rendszerhez érkezett követelményekhez”. Ha van egy magas szintű modellje, amely futni tud, létrehoz egy digitális ikertestvért, majd visszaadja ezeket a mutatókat, akkor az ott ülő mesterséges intelligencia ránéz, és megkérdezi: "Jobbá tettem vagy rontottam a dolgokat?" Az idő múlásával begyakorolódik, hogy azt mondjam, rájövök, hogy ha így rendezem a struktúrámat, vagy ha mondjuk a legújabb, legnagyobb Arm CPU-t használom, és ezt 1 gigahertzen is tudom futtatni, akkor többet tudok feldolgozni ezen a csomóponton. a rendszertől, ami csökkenti a sávszélességemet. És most megúszom az 5 gigabites Automotive Ethernetet, és teljesíthetek költségigényt, súlyigényt vagy hatótávolsági követelményt. A mesterséges intelligencia végül átveszi ezeket a rendszertervezőket, mert túl sok a dimenzió, túl sok a változó ahhoz, hogy bármelyik ember képes legyen rájönni.”

Következtetés
Idővel, ahogy a rendszermegértés odáig fejlődik, hogy egy szabványos, készen álló gépi tanulási probléma merül fel, amely képes azonosítani a bemeneteket és eredményeket elérni – és ahogy a tervezőcsapatok megértik, hogyan kell ezeket az eredményeket összehasonlítani és módosítani a tervezést –, áthatóbb lesz. „A képfelismerés ugyanaz, mint minden más probléma” – mondta Fritz. „Ha ez megvan, a mesterséges intelligencia képzése minden márkánál és minden OEM-nél egyedi lesz, és ez lesz az arany ékszer. Soha senki nem fog hozzányúlni. Senki sem fog vele foglalkozni, hacsak nem fut át ​​hihetetlenül bonyolult regressziós teszten, hogy megbizonyosodjon arról, hogy nem rontott-e el valamit. Ez a jövő.”

Ennek ellenére az alapokat nem szabad elfelejteni, mondta Cadence Knoth. „Az AI itt van, nem a jövőben. Az is fontos, hogy az alapokat nem szabad elfelejteni. Gyakorolnia kell a fektetési lövéseit. Gyakorolnia kell a szabaddobásait. Szilárdnak kell lennie minden alapismeretében, különben nem számít, mennyire menő az új játék. Ez kétszeresen is fontos az autóiparban. A mesterséges intelligencia sok mindenben segíthet, de ha nem figyelsz az alkatrészed minőségére, megbízhatóságára és biztonságára, ha nem figyelsz az alapvető tervezésre és a módszertanra, az nem fog sikeres."

Amiről szó van, az AI/ML számos technikát kínál optimalizálási célokra, mint például megerősítő tanulás, k-klaszterezés, konvolúciós neurális hálózatok, generatív ellenséges hálózatok és még sok más, jegyezte meg Rambus' Kouthon. "Minden technikák alkalmazása az IC tervezési és gyártási folyamatának különböző szakaszaiban a kutatás aktív területe, amely olyan témákban kecsegtet, mint a hozamoptimalizálás vagy a tesztelés és ellenőrzés tervezése."

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
• A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
• Forrás: https://semiengineering.com/ml-automotive-chip-design-takes-off/