Sinopsis Pengoptimalan Ruang Desain Mencapai Tonggak Sejarah

Diterbitkan Ulang Oleh Plato

Followers: 0

Saya berbicara baru-baru ini dengan Stelios Diamantidis (Arsitek Terkemuka, Kepala Strategi, Solusi Desain Otonom) tentang pengumuman Synopsys pada 100^th tapeout pelanggan menggunakan solusi DSO.ai mereka. Perhatian saya pada artikel terkait AI adalah menghindari hype yang mengelilingi AI secara umum, dan sebaliknya skeptisisme sebagai reaksi terhadap hype tersebut mendorong beberapa orang untuk menolak semua klaim AI sebagai minyak ular. Saya senang mendengar Stelios tertawa dan setuju dengan sepenuh hati. Kami melakukan diskusi yang sangat mendasar tentang apa yang dapat dilakukan DSO.ai hari ini, apa yang pelanggan referensi mereka lihat dalam solusi (berdasarkan apa yang dapat dilakukan hari ini) dan apa yang dapat dia ceritakan kepada saya tentang teknologinya.

Optimasi Ruang Desain Sinopsis

Apa yang dilakukan DSO.ai

Pasangan DSO.ai dengan Fusion Compiler dan IC Compiler II, yang ditekankan dengan hati-hati oleh Stelios berarti ini adalah solusi pengoptimalan tingkat blok; SoC lengkap belum menjadi target. Ini sesuai dengan praktik desain saat ini seperti yang dikatakan Stelios bahwa tujuan penting mudah disesuaikan dengan aliran yang ada. Tujuan dari teknologi ini adalah untuk memungkinkan insinyur implementasi, seringkali seorang insinyur tunggal, untuk meningkatkan produktivitas mereka sambil juga mengeksplorasi ruang desain yang lebih besar untuk PPA yang lebih baik daripada yang mungkin dapat ditemukan sebaliknya.

Synopsys mengumumkan tapeout pertama pada musim panas 2021 dan sekarang telah mengumumkan 100 tapeout. Itu berbicara dengan baik untuk permintaan dan keefektifan solusi seperti ini. Stelios menambahkan bahwa nilainya menjadi lebih jelas untuk aplikasi yang harus membuat instance blok berkali-kali. Pikirkan server banyak-inti, GPU, atau sakelar jaringan. Optimalkan satu blok sekali, buat instance berkali-kali – yang dapat menambah peningkatan PPA yang signifikan.

Saya bertanya apakah pelanggan yang melakukan ini semuanya bekerja pada 7nm dan di bawahnya. Anehnya, ada penggunaan aktif hingga 40nm. Salah satu contoh yang menarik adalah pengontrol flash, desain yang tidak terlalu peka terhadap kinerja tetapi dapat beroperasi hingga puluhan hingga ratusan juta unit. Mengurangi ukuran bahkan sebesar 5% di sini dapat berdampak besar pada margin.

Apa yang ada di bawah tenda?

DSO.ai didasarkan pada pembelajaran penguatan, topik hangat akhir-akhir ini, tetapi saya berjanji tidak ada hype di artikel ini. Saya meminta Stelios untuk menelusuri lebih jauh meskipun tidak terkejut ketika dia mengatakan dia tidak bisa mengungkapkan terlalu banyak. Apa yang bisa dia ceritakan cukup menarik. Dia menegaskan bahwa dalam aplikasi yang lebih umum, satu siklus melalui set pelatihan (zaman) mengasumsikan metode cepat (detik ke menit) untuk menilai langkah selanjutnya yang mungkin dilakukan, misalnya melalui perbandingan gradien.

Tetapi desain blok yang serius tidak dapat dioptimalkan dengan perkiraan cepat. Setiap uji coba harus dijalankan melalui aliran produksi penuh, pemetaan ke proses manufaktur nyata. Aliran yang bisa memakan waktu berjam-jam untuk dijalankan. Bagian dari strategi pembelajaran penguatan yang efektif mengingat kendala ini adalah paralelisme. Sisanya adalah saus rahasia DSO.ai. Tentu bisa dibayangkan jika saus rahasia itu bisa menghasilkan penyempurnaan yang efektif berdasarkan zaman tertentu, maka paralelisme akan mempercepat kemajuan melalui zaman berikutnya.

Untuk itu, kemampuan ini memang harus berjalan di cloud untuk mendukung paralelisme. Cloud pribadi di tempat adalah salah satu opsi. Microsoft telah mengumumkan bahwa mereka menghosting DSO.ai di Azure, dan ST melaporkan dalam siaran pers DSO.ai bahwa mereka menggunakan kemampuan ini untuk mengoptimalkan implementasi inti Arm. Saya membayangkan mungkin ada beberapa perdebatan menarik seputar pro dan kontra menjalankan pengoptimalan di cloud publik di katakanlah 1000 server jika pengurangan area sepadan.

Timbal balik pelanggan

Synopsys mengklaim pelanggan (termasuk ST dan SK Hynix dalam pengumuman ini) melaporkan peningkatan produktivitas 3x+, total daya hingga 25% lebih rendah dan pengurangan ukuran die yang signifikan, semuanya dengan pengurangan penggunaan sumber daya secara keseluruhan. Mengingat apa yang dijelaskan Stelios, ini terdengar masuk akal bagi saya. Alat ini memungkinkan eksplorasi lebih banyak titik di ruang keadaan desain dalam jadwal tertentu daripada yang mungkin dilakukan jika eksplorasi itu dilakukan secara manual. Selama algoritma pencarian (saus rahasia) efektif, tentu akan menemukan yang lebih optimal daripada pencarian manual.

Singkatnya, baik AI maupun minyak ular. DSO.ai menyarankan AI memasuki arus utama sebagai perpanjangan teknik yang kredibel untuk aliran yang ada. Anda dapat mempelajari lebih lanjut dari tekan rilis dan dari blog ini.

Bagikan postingan ini melalui: