Desain Chip Otomotif ML Diluncurkan

Pembelajaran mesin semakin banyak diterapkan pada berbagai chip dan elektronik pada mobil, baik untuk meningkatkan keandalan suku cadang standar maupun untuk pembuatan chip AI yang sangat kompleks yang digunakan dalam aplikasi yang semakin otonom.

Di sisi desain, sebagian besar alat EDA saat ini mengandalkan pembelajaran penguatan, subset pembelajaran mesin dari AI yang mengajarkan mesin cara melakukan tugas tertentu berdasarkan pengenalan pola. Berbeda dengan pengenalan gambar pada chip AI, yang didasarkan pada pelatihan kumpulan data yang sangat besar, pembelajaran mesin dapat memberikan hasil yang akurat dengan cepat menggunakan volume data yang jauh lebih kecil. Synopsys, Cadence, Siemens, dan lainnya telah menerapkan pembelajaran penguatan pada peralatan mereka, dan pelanggan otomotif mereka menunjukkan peningkatan waktu pemasaran untuk chip yang menawarkan kinerja lebih baik dan memenuhi sasaran keselamatan yang ketat.

“Verifikasi chip kompleks ini juga penting untuk memastikan keamanan dan fungsionalitas sehingga alat paling canggih saat ini memanfaatkan AI/ML untuk mengotomatiskan penemuan lubang cakupan dalam pengujian, memastikan bahwa kesenjangan yang sulit dipahami dan melalui proxy bug yang sulit dipahami dapat terdeteksi, yang jika tidak terdeteksi dapat menjadi bencana besar di masa depan. lapangan,” kata Thomas Andersen, wakil presiden AI dan pembelajaran mesin di Synopsys. Dia mencatat bahwa selain memenuhi persyaratan daya, kinerja, dan area, pembelajaran mesin dapat membantu menentukan persyaratan partisi dan jarak untuk fungsionalitas on-chip yang berlebihan.”

Saat ini, jumlah pembelajaran mesin yang digunakan dalam pembuatan chip untuk kendaraan, dan penggunaan AI pada kendaraan tersebut semakin meningkat. Seberapa cepat hal ini akan berubah masih merupakan dugaan, namun trennya sudah jelas.

“Ada jawabannya untuk saat ini, dan ada jawabannya dalam beberapa tahun ke depan, dan keduanya sangat berbeda,” kata David Fritz, wakil presiden sistem hybrid-fisik dan virtual otomotif dan mil-aero di Perangkat Lunak Siemens Digital Industries. “Kami memulai dengan eksplorasi sistem, dan terdapat alat untuk melakukan hal tersebut. Mereka memungkinkan eksplorasi ruang yang kompleks ini, dan seperti apa sistemnya. Misalnya, seperti apa bentuk ECUnya? Di mana perangkat lunak harus dijalankan? Di masa lalu cukup mudah untuk hanya mengatakan, 'Inilah model MATLAB yang memodelkan fungsionalitasnya,' tekan tombolnya, buat beberapa kode C, dan selesai. Masalahnya adalah seluruh proses otomatis hilang. Itu tidak berhasil karena persyaratan komputasinya sangat jauh dari standar karena kerumitan mobilnya.”

Model klasik yang kini dengan cepat menjadi ketinggalan jaman adalah diagram V. “Dulu Anda bisa menguraikannya ke unit minimum, menghasilkan sedikit kode C dari model, menggabungkan semuanya, dan lihatlah, ini berhasil,” kata Fritz. “Masalahnya adalah ketika tingkat kerumitan tertentu tercapai, itu tidak berfungsi lagi, karena ketika Anda menyatukan kembali semua potongan puzzle, Anda akan menyadari bahwa Anda kehilangan dua dari empat sudut dan beberapa bagian di tengah. hilang. Apa yang terjadi saat ini adalah proses pengambilan persyaratan dan pada dasarnya mengidentifikasi seperti apa potensi arsitektur sistem, kemudian melakukan simulasi dan pengukuran. Kemudian, lakukan pengukuran tersebut, bandingkan dengan persyaratan, dan ulangi hingga membuat mual.”

Di sisi alat, fokusnya mungkin pada pembelajaran mesin, namun pada kendaraan, AI sepenuhnya akan dibutuhkan untuk menangani fungsionalitas yang semakin otonom. “Vendor EDA telah menemukan aplikasi baru untuk [ML] guna mengoptimalkan, mengotomatiskan, dan mempercepat alur pengembangan SoC,” kata Thierry Kouthon, manajer produk teknis untuk Keamanan IP di Rambus. “Desain chip menjadi semakin kompleks karena peningkatan kepadatan pada geometri yang lebih rendah, persyaratan latensi yang rendah, desain skala besar dengan miliaran gerbang, dan tekanan waktu ke pasar. Oleh karena itu, hal ini memerlukan keahlian canggih yang mungkin semakin langka, dan diperlukan investasi besar untuk memenuhi jadwal yang agresif.”

Vendor EDA telah menerapkan pembelajaran penguatan untuk meningkatkan cara SoC dirancang dan diproduksi. “Saat ini digunakan di beberapa area aliran desain SoC, seperti sintesis logika, verifikasi, penempatan, perutean, integrasi 3D, dan desain untuk pengujian,” kata Kouthon, sambil mencatat bahwa perusahaan EDA mempromosikan pembelajaran penguatan untuk mempercepat dan meningkatkan kualitas aliran desain ASIC, serta untuk mengurangi jumlah sumber daya yang terlibat dalam proyek semikonduktor.

Selama beberapa bulan terakhir, hampir semua vendor EDA besar telah menerapkan pembelajaran mesin pada tingkat tertentu, dan mereka mendorong lebih jauh ke dunia AI seiring dengan pengumpulan data yang lebih relevan. “Meskipun masih ada peluang besar di depan kita, dan sejumlah besar inovasi yang mungkin dilakukan, hal ini baru mulai terlihat,” kata Rob Knoth, direktur grup manajemen produk di Digital & Signoff Group di Irama. “Anda hanya perlu membuka koran atau membaca beberapa laporan. Jika Anda melihat apa yang dilakukan Tesla dengan superkomputer Dojo-nya, Anda akan melihat bagaimana keseluruhan sistem dipengaruhi, dilayani, dan dirancang tidak hanya oleh AI, tetapi juga untuk AI. Chip ini sangat penting, tetapi chip hanya penting dalam konteks mobil atau konteks pusat data. Dan sejumlah besar data yang diperlukan untuk menjalankan fungsi otomotif guna membantu meningkatkan kualitas dan keandalan, untuk mengatasi masalah keselamatan fungsional — semua hal ini berjalan beriringan. Ini bukan satu kesatuan yang terpisah, dan itulah keindahan dan potensi sejati yang mulai terungkap.”

AI/ML dapat memainkan peran penting dalam berbagai bagian proses desain otomotif.

“On one side, you can talk about automotive-specific things, but on another, you can step back and say, ‘These incredibly intelligent edge AI-enabled devices for a car are very similar to many other types of advanced semiconductors that are out there,’” Knoth said. “AI is no longer a future topic at our user conference, [it’s a current topic]. It is being used aggressively by all industries to do their daily work because it’s allowing the engineer to spend more time doing what engineers are uniquely and beautifully suited for — to look at the intention, look at the guiding things, exploring things, worrying more about the functions, as opposed to the day-to-day implementation. And AI is allowing a bigger proliferation of more complex, more differentiated bespoke silicon.”

Yang lain setuju. “Dari perspektif arsitektur chip, chip otomotif modern sangat ditargetkan untuk otomatisasi aspek berkendara dan fitur keselamatan,” kata Andersen dari Synopsys. “Dengan demikian, mereka pada dasarnya telah menjadi chip AI di dalam mobil yang mengimplementasikan fungsi CNN yang kompleks untuk menganalisis gambar, video, dan pemandangan serta mengambil tindakan yang tepat untuk menghindari kecelakaan atau menuju otomatisasi mengemudi mandiri sepenuhnya.”

Khususnya di bidang otomotif, pekerjaan dipusatkan pada kualitas, keandalan, dan keamanan.

“Kualitas adalah tentang menurunkan suku cadang cacat yang keluar dari produksi (DPPM),” ujarnya. “Keandalan adalah tentang memastikan bahwa Anda dapat tetap berfungsi selama masa pakai produk. Keamanan fungsional pada dasarnya mengatakan, 'Jika ada yang rusak, pastikan kita tidak menimbulkan bahaya.' Semua hal tersebut sangat berkaitan dengan otomotif, dan di setiap tujuan tersebut, AI secara aktif digunakan untuk membantu mencapai tujuan tersebut, atau terdapat potensi berdasarkan cara pencapaian tujuan tersebut di masa lalu untuk menerapkan AI pada tujuan tersebut. melakukan tes dengan lebih cerdas, melakukan analisis penuaan dengan lebih baik, atau menjadi lebih pintar, efisien, dan efektif mengenai mekanisme keamanan yang Anda terapkan.”

AI/ML cocok dengan sejumlah aplikasi dan alat untuk otomotif, dan sering kali saling mendukung. “Teknik pengembangan kami memainkan peran besar karena kami bertanya-tanya bagaimana cara memverifikasi AI ini,” kata Frank Schirrmeister, wakil presiden solusi dan pengembangan bisnis di IP Arteris. “Apakah ada verifikasi struktural untuk CNN, DNN, atau apapun yang digunakan? Apakah secara fungsional melakukan perkalian dengan benar? Namun, setelah Anda melatihnya, hanya ada sedikit cara untuk memverifikasi di mana Anda tidak akan memiliki outlier. Inilah sebabnya mengapa pagar pembatas diperlukan, dan di situlah tantangan pembangunan yang sistemik muncul. AI Anda membantu penglihatan di dalam mobil dan mengenali berbagai hal, namun Anda masih harus menjaganya, dan dari perspektif pembangunan, cari tahu cara yang tepat untuk melakukan hal tersebut. degradasi yang anggun. Jika itu sesuatu yang tidak masuk akal, bagaimana Anda bisa gagal atau menghentikan mobil dengan anggun tanpa membunuh siapa pun? Itu adalah bagian dari pertimbangan proses pengembangan pada tingkat sistem – bagaimana membatasi AI.”

Meningkatkan pertimbangan AI
Semua pertimbangan ini semakin penting karena semakin banyak AI/ML yang ditambahkan ke dalam kendaraan, dan digunakan untuk membuat chip di kendaraan tersebut.

Ron DiGiuseppe, manajer pemasaran senior, IP otomotif di Synopsys, melihat penggunaan AI dalam sebuah kontinum. “Ada spektrum mobilitasnya, ADAS Level 2, Level 2+, Level 3, Level 4, Level 5 hingga full self-driving. Dalam kategori ADAS otomatisasi ADAS Level 2 — yang merupakan aplikasi yang saat ini diterapkan di mobil, termasuk kontrol jelajah adaptif — itu adalah aplikasi AI hanya untuk ADAS. Ini bukan mengemudi sendiri. Contoh lainnya adalah pengereman darurat otomatis. Saat Anda berkendara di jalan dan seekor anjing melintas, deteksi objek akan memulai aplikasi pengereman darurat otomatis. Teknologi tersebut kini diterapkan di mobil, banyak di antaranya menggunakan AI berbasis visi. Contoh terbaiknya adalah Mobileye, mungkin yang paling banyak digunakan dalam aplikasi AI di ADAS. Terlepas dari teknologi self-driving, AI juga diadopsi dalam aplikasi lain di dalam mobil, namun masih dalam pengembangan hingga saat ini. Tidak banyak yang diterapkan dalam produksi.”

Ke depannya, DiGiuseppe mengatakan AI akan digunakan untuk aplikasi lain di dalam mobil, seperti sistem pemantauan pengemudi infotainment, seperti deteksi tatapan, untuk melihat ke mana arah pandangan pengemudi. “Selain itu, pada powertrain kendaraan listrik, konverter DC-ke-DC adalah contoh bagus bagaimana AI dapat mengoptimalkan aplikasi tersebut untuk sistem manajemen baterai. Biasanya, ini merupakan algoritma untuk mengoptimalkan pengisian/pengosongan baterai. Ini merupakan salah satu adopsi AI yang tidak biasa, namun intinya AI dapat diterapkan pada banyak aplikasi berbeda di dalam mobil.”

Pengurangan sensor motor listrik adalah salah satu penerapan AI lainnya. “Ada sensor perangkat keras di sana yang menggunakan analisis prediktif dengan AI untuk menjalankan fungsi itu. Jadi, alih-alih menggunakan sensor perangkat keras di powertrain dengan motor listrik, Anda dapat menggunakan analitik prediktif AI,” tambah DiGiuseppe.

Cara penerapan algoritme AI ini akan berubah seiring waktu. Dua elemen kuncinya adalah fleksibilitas dan ukuran. “Jika modelnya relatif kecil, eFPGA adalah pendekatan yang layak,” kata Geoff Tate, CEO Logika Fleksibel. Ini mungkin berguna khususnya bagi desainer yang ingin memaksimalkan PPA. eFPGA sangat efisien untuk model penglihatan besar dengan gambar megapiksel, dan ratusan lapisan seperti YOLOv5L6, jelas Tate. Mereka juga dapat diprogram ulang di lapangan untuk memanfaatkan perubahan algoritma.

Implementasi AI saat ini
Building all of this into the design flow requires very early conceptual planning. “We call this ‘Left of Left,’” said Fritz. “It’s what needs to happen before you Shift Left, and is where complications come in. Now I’m making decisions, so I have to have a methodology that not only can look forward into the implementation and collect these metrics so I can see if I am going to meet my requirements. I also have to be able to take that design and pass it off to the actual implementers, whether they’re internal, at a supplier, or wherever they are. How do I do that across 100 different companies, most of whom have no idea what we’re talking about or how their piece fits into the bigger picture? How does IP protection come into all that? It’s a big challenge.”

Fritz yakin inilah salah satu alasan utama mengapa otonomi Tingkat 4 dan Tingkat 5 tertunda. “Hal ini belum tentu disebabkan oleh AI di dalam kendaraan, meskipun tentu saja hal tersebut merupakan sebuah tantangan. Dan ini bukan tentang keamanan fungsional. Ini bukan tentang semua hal itu lagi. Kami sedang menangani hal itu dengan baik. Tapi bagaimana Anda membuat hal itu berhasil di dunia nyata dengan semua pemasok yang berbeda mengerjakan bagian mereka sendiri? Mereka semua terbiasa melakukan sesuatu dengan cara mereka sendiri, dan hanya fokus pada bagian mereka dari teka-teki yang sangat besar ini. Sekarang mereka harus menunjukkan bahwa potongan teka-teki mereka akan berfungsi dengan semua potongan lain di sekitarnya, tidak ada satupun yang benar-benar dapat Anda lihat. Di salah satu grup otomotif besar, mereka mungkin mempunyai beberapa merek, dan masing-masing merek tersebut cenderung memiliki caranya sendiri dalam melakukan sesuatu. Jadi, bahkan di dalam perusahaan yang Anda kendalikan, sangat sulit untuk mendapatkan semacam konsensus tentang bagaimana segala sesuatunya harus bergerak maju.”

Setelah proses pengembangan tersebut dilakukan dan dilakukan secara manual, generasi berikutnya akan menerapkan AI pada proses tersebut. “AI dilatih, dan akan mendapat ratusan masukan berbeda,” kata Fritz. “Masukan bisa berupa sesuatu yang sederhana seperti, 'Bandwidth tidak pernah melebihi 60%' atau, 'Masukan akan secara tidak langsung terkait dengan jenis persyaratan yang masuk ke sistem.' Setelah Anda memiliki model tingkat tinggi yang dapat berjalan, membuat kembaran digital, lalu mengembalikan metrik tersebut, AI yang ada di dalamnya akan melihatnya dan berkata, 'Apakah saya membuat segalanya menjadi lebih baik atau lebih buruk?' Ia dilatih dari waktu ke waktu untuk mengatakan, Saya menyadari bahwa jika saya mengatur struktur saya dengan cara ini, atau jika saya menggunakan, katakanlah, CPU Arm terhebat terbaru dan saya dapat menjalankannya pada 1 gigahertz, saya dapat melakukan lebih banyak pemrosesan pada node ini sistem, yang menurunkan bandwidth saya. Dan sekarang saya dapat menggunakan Ethernet Otomotif 5 gigabit, dan dapat memenuhi persyaratan biaya, persyaratan berat, atau persyaratan jangkauan. AI pada akhirnya akan mengambil alih arsitek sistem ini karena terdapat terlalu banyak dimensi, terlalu banyak variabel bagi manusia untuk dapat memecahkan masalah ini.”

Kesimpulan
Seiring berjalannya waktu, seiring dengan peningkatan pemahaman sistem hingga terdapat masalah pembelajaran mesin standar yang dapat mengidentifikasi masukan dan mendapatkan hasil — dan saat tim desain memahami cara membandingkan hasil tersebut dan menyesuaikan desain — maka itu akan menjadi lebih menyebar. “Pengenalan gambar sama dengan masalah lainnya,” kata Fritz. “Setelah kita memilikinya, pelatihan AI akan menjadi hal yang unik untuk setiap merek dan OEM, dan itu akan menjadi permata emas. Tidak ada seorang pun yang akan menyentuhnya. Tidak ada yang akan mengacaukannya kecuali jika dijalankan melalui pengujian regresi yang sangat rumit untuk memastikan mereka tidak merusak sesuatu. Itulah masa depan.”

Namun, hal mendasar tidak boleh dilupakan, kata Knoth dari Cadence. “AI ada di sini, bukan di masa depan. Yang juga penting adalah kenyataan bahwa Anda tidak boleh melupakan dasar-dasarnya. Anda harus melatih tembakan lay-up Anda. Anda harus melatih lemparan bebas Anda. Anda harus solid dalam semua dasar-dasar Anda, atau tidak peduli seberapa keren mainan baru itu. Ini sangat penting dalam industri otomotif. AI dapat membantu Anda melakukan banyak hal, namun jika Anda tidak memperhatikan kualitas, keandalan, dan keamanan komponen Anda, jika Anda tidak memperhatikan desain dasar dan metodologi penandatanganan, AI tidak akan membantu Anda. jadilah sukses.”

Dalam hal ini, AI/ML menawarkan banyak teknik untuk digunakan untuk tujuan pengoptimalan seperti pembelajaran penguatan, k-clustering, jaringan saraf konvolusional, jaringan permusuhan generatif, dan banyak lagi, kata Kouthon dari Rambus. “Penerapan semua teknik ini pada berbagai tahap desain IC dan alur produksi merupakan bidang penelitian aktif yang menjanjikan manfaat pada topik seperti optimalisasi hasil atau desain untuk pengujian dan verifikasi.”

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
• Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
• Sumber: https://semiengineering.com/ml-automotive-chip-design-takes-off/