Synopsys Design Space Optimization מגיע לאבן דרך

הועלה מחדש על ידי אפלטון

עוקב: 0

שוחחתי לאחרונה עם סטליוס דיאמנטידיס (אדריכל מכובד, ראש אגף אסטרטגיה, פתרונות עיצוב אוטונומיים) על ההכרזה של סינופסיס על ה-100^th הקלטה של לקוחות באמצעות פתרון ה-DSO.ai שלהם. הדאגה שלי לגבי מאמרים הקשורים לבינה מלאכותית היא בהימנעות מההייפ שאופף בינה מלאכותית באופן כללי, ומנגד הספקנות בתגובה להייפ הזה שגרמה לחלק לבטל את כל טענות הבינה המלאכותית כשמן נחשים. שמחתי לשמוע את סטליוס צוחק ומסכים בלב שלם. היה לנו דיון מבוסס מאוד על מה ש-DSO.ai יכול לעשות היום, מה לקוחות ההתייחסות שלהם רואים בפתרון (בהתבסס על מה שהוא יכול לעשות היום) ומה הוא יכול לספר לי על הטכנולוגיה.

Synopsys Design Space Optimization

מה DSO.ai עושה

DSO.ai משתלב עם Fusion Compiler ו-IC Compiler II, שכפי שסטליוס הקפיד להדגיש אומר שזהו פתרון אופטימיזציה ברמת הבלוק; SoCs מלאים הם עדיין לא יעד. זה מתאים לנוהלי העיצוב הנוכחיים כפי שסטליוס אמר כי מטרה חשובה מתאימה בקלות לזרימות קיימות. מטרת הטכנולוגיה היא לאפשר למהנדסי הטמעה, לרוב מהנדס יחיד, לשפר את הפרודוקטיביות שלהם תוך בחינת מרחב עיצובי גדול יותר עבור PPA טוב יותר ממה שהיה ניתן לגלות אחרת.

Synopsys הכריזה על ההקלטה הראשונה בקיץ 2021 וכעת הכריזה על 100 סרטים. זה מדבר היטב על הדרישה והיעילות של פתרון כזה. סטליוס הוסיף כי הערך הופך ברור עוד יותר עבור יישומים שחייבים ליצור בלוק פעמים רבות. תחשוב על שרת מרובת ליבות, GPU או מתג רשת. בצע אופטימיזציה של בלוק פעם אחת, בצע מופע פעמים רבות - זה יכול להסתכם בשיפור משמעותי ב-PPA.

שאלתי אם הלקוחות שעושים את זה עובדים כולם ב-7 ננומטר ומטה. באופן מפתיע, יש שימוש פעיל עד 40 ננומטר. דוגמה מעניינת אחת היא בקר פלאש, עיצוב שהוא לא מאוד רגיש לביצועים אבל יכול להגיע לעשרות עד מאות מיליון יחידות. להקטנת הגודל אפילו ב-5% כאן יכולה להיות השפעה גדולה על השוליים.

מה מתחת למכסה המנוע

DSO.ai מבוסס על למידת חיזוק, נושא חם בימים אלה אבל לא הבטחתי שום הייפ במאמר זה. ביקשתי מסטליוס להתעמק קצת יותר אם כי לא הופתעתי כשהוא אמר שהוא לא יכול לחשוף יותר מדי. מה שהוא יכול להגיד לי היה מעניין מספיק. הוא ציין כי ביישומים כלליים יותר, מחזור אחד דרך מערך אימונים (תקופה) מניח שיטה מהירה (שניות עד דקות) כדי להעריך את השלבים האפשריים הבאים, באמצעות השוואות שיפועים למשל.

אבל לא ניתן לייעל עיצוב בלוקים רציני עם הערכות מהירות. כל ניסוי חייב לעבור את זרימת הייצור המלאה, מיפוי לתהליכי ייצור אמיתיים. זרימות שיכולות לקחת שעות לרוץ. חלק מהאסטרטגיה ללמידת חיזוק יעיל בהינתן אילוץ זה הוא מקביליות. השאר הוא רוטב סודי DSO.ai. בהחלט אתה יכול לדמיין שאם הרוטב הסודי הזה יכול להגיע עם חידודים יעילים על סמך תקופה נתונה, אז המקביליות תאיץ את ההתקדמות לעידן הבא.

לשם כך, היכולת הזו באמת חייבת לפעול בענן כדי לתמוך במקביל. ענן פרטי מקומי הוא אפשרות אחת. מיקרוסופט הודיעה שהם מארחים את DSO.ai ב-Azure, ו-ST מדווחים בהודעה לעיתונות של DSO.ai שהם השתמשו ביכולת זו כדי לייעל את היישום של ליבת Arm. אני מתאר לעצמי שיכולים להיות כמה ויכוחים מעניינים סביב היתרונות והחסרונות של הפעלת אופטימיזציה בענן ציבורי על פני נגיד 1000 שרתים אם צמצום השטח שווה את זה.

משוב לקוחות

Synopsys טוענת שלקוחות (כולל ST ו-SK Hynix בהכרזה זו) מדווחים על עליות פרודוקטיביות פי 3+, עד 25% פחות הספק כולל והפחתה משמעותית בגודל התבנית, והכל עם שימוש מופחת במשאבים הכוללים. בהתחשב במה שתיאר סטליוס, זה נשמע לי הגיוני. הכלי מאפשר חקירה של יותר נקודות במרחב מצב התכנון בתוך לוח זמנים נתון ממה שהיה אפשרי אילו חקר זה היה ידני. כל עוד אלגוריתם החיפוש (הרוטב הסודי) יעיל, כמובן שזה ימצא אופטימום טוב יותר מחיפוש ידני.

בקיצור, לא הייפ של AI ולא שמן נחשים. DSO.ai מציע כי AI נכנסת למיינסטרים כהרחבה הנדסית אמינה לזרימות קיימות. אתה יכול ללמוד יותר מה בידיעה שהונפקה לתקשורת ומן הבלוג הזה.

שתף את הפוסט הזה באמצעות: