칩 설계에서 더욱 두드러지는 AI

Semiconductor Engineering은 Cadence의 R&D 기업 부사장인 Michael Jackson과 함께 자리에 앉아 데이터 관리 및 설계 개선에 있어 AI의 역할, 길 찾기 및 자동 데이터 손상 방지에서 AI의 역할 증가에 대해 이야기했습니다. National Instruments의 반도체 및 전자 공학 부사장인 Joel Sumner; Meta의 제품 및 엔지니어링 관리자인 Grace Yu와 Austin에 있는 University of Texas의 전기 및 컴퓨터 공학과 교수인 David Pan입니다. 다음은 DesignCon에서 라이브 청중 앞에서 진행된 대화에서 발췌한 것입니다. 이 논의의 XNUMX부는 여기에서 지금 확인해 보세요..

SE: 요즘 모든 사람과 모든 것이 엄청난 양의 데이터를 수집하고 있습니다. 어디에서 얼마 동안 보관합니까? 무엇이 관련성이 있는지 어떻게 결정합니까?

섬너: AI가 가장 먼저 적용된 곳은 매우 크고 강력한 데이터 저장소가 있는 곳입니다. 다행스럽게도 반도체 생산 테스트 인프라가 표준 형식으로 실행되기 때문에 좋은 태깅을 통해 정말 방대한 데이터베이스에 입력할 수 있습니다. 이것이 합격이고 불합격입니다. 그것은 우리에게 이러한 것들을 연구하고 검증 또는 자동화를 위해 다른 많은 산업에 적용할 수 있기 때문에 증명 포인트로 사용할 수 있는 발판을 제공했습니다. 그러나 이러한 데이터 저장소는 오늘날 여러 곳에서 표준 방식으로 실제로 존재하지 않습니다. 그것이 존재하는 곳은 우리가 채택을 보는 곳입니다.

SE: 모든 데이터가 한 곳에 저장되나요? 그리고 그 데이터는 앞으로 어떻게 사용될까요?

섬너: 여러 사정으로 배포가 종료됩니다. 하나는 실용적이라는 것입니다. 둘째, 관련된 고객 데이터가 있습니다. 따라서 반드시 모든 것을 삭제할 수는 없습니다. 예를 들어, 우리는 디자인 체인의 여러 위치에서 AI 알고리즘을 실행하고 있습니다. 클라우드에서 실행하고 있지만 데이터가 수집되는 위치와도 가깝습니다. 이를 위해서는 데이터를 배포해야 합니다. 그러나 동시에 모델이 한 곳에 있고 쉽게 액세스할 수 있도록 훈련하려면 보고자 하는 모든 데이터가 정말로 필요합니다.

팬: 그리고 그 데이터를 사용하여 더 나은 결정을 내리는 데 도움을 받을 수 있습니다. 예를 들어 수만 개 또는 다른 레이아웃을 생성한 다음 시뮬레이션, 추출 및 최종 레이아웃을 수행할 수 있습니다. 그것은 디자인 전문가를 보완합니다.

잭슨: EDA 관점에서 새로운 데이터 생성은 종종 레이아웃을 치환하거나 무작위로 생성하여 수행할 수 있습니다. 따라서 문제를 종합적으로 생성할 수 있으며 이것이 또 다른 데이터 소스가 될 수 있습니다. 이것이 EDA의 장점 중 하나입니다.

SE: 주어진 데이터의 양을 고려할 때 이 모든 작업이 클라우드에서 수행됩니까, 아니면 로컬에서 수행됩니까? 우리는 훨씬 더 많은 컴퓨팅 성능이 필요한 훨씬 더 큰 데이터 세트에 대해 이야기하고 있습니다.

잭슨: 회사에 따라 다릅니다. 저는 인쇄 회로 기판 설계 작업을 하고 있으며 AI와 관련된 작업도 하고 있습니다. 클라우드에는 AI를 가능하게 하는 많은 컴퓨팅 기능이 있습니다. 소기업은 데이터를 클라우드에 보관해도 괜찮을 수 있지만 대기업은 사설 클라우드에서 데이터를 실행하기를 원할 것입니다.

팬: 데이터 프라이버시는 확실히 큰 관심사입니다. 이는 기계 학습 측면에서 중요한 영역입니다. 그러나 데이터를 전달할 필요는 없습니다. 암호화한 다음 동형 컴퓨팅을 수행할 수 있습니다. 보안 컴퓨팅은 새로운 연구 분야입니다. 따라서 데이터를 공유하지 않고도 계속 확인할 수 있습니다.

Yu: 우리가 말하는 데이터의 종류에 따라 다릅니다. 우리는 고객 개인 정보 보호에 대해 매우 엄격한 정책을 가지고 있습니다. 해당 데이터에 액세스해야 하는 사람만 그렇게 할 수 있습니다. Meta에 합류하는 각 직원은 데이터 프라이버시에 대한 연간 교육을 받습니다. 설계 데이터의 경우 프로젝트에 따라 다릅니다. 일부 데이터는 로컬 서버에 저장하고 빅 데이터 액세스와 시뮬레이션 및 검증을 위해 클라우드를 활용합니다. 그래서 케이스 바이 케이스입니다.

SE: 하드웨어가 노후화됨에 따라 AI의 행동에 어떤 영향을 미칩니까?

섬너: 노화에 관해서는 AI가 실행되는 환경에 대해 이야기하는 것이 중요합니다. 우리가 나이를 보는 것은 알고리즘이 아닙니다. 훈련 데이터입니다. 따라서 특정 제조 데이터 세트에 대해 교육했으며 해당 제조 데이터는 특정 제조 환경에서 가져왔습니다. 그리고 시간이 지남에 따라 상황이 표류합니다. 두 가지 상황 중 하나를 볼 수 있습니다. 하나는 전체 시스템 드리프트이며, 전체 시스템이 재훈련해야 할 초기 훈련 데이터에서 충분히 멀리 이동했기 때문에 AI는 이제 이를 감지해야 합니다. 두 번째 상황은 어떤 장치가 이전에 보았던 것과는 너무 다른 것을 가지고 와서 알고리즘이 '잠깐, 잠깐만, 나는 여기에서 최선의 대답이 아니다'라고 말해야 하는 경우입니다. 너무 멀기 때문에 지금 사람과 상의해야 합니다.' 둘 다 시스템의 부패의 예입니다. 지속적인 상쾌함이 필요합니다.

잭슨: 나는 동의한다. 노화에 대처하기 위해서는 지속적인 재교육이 필요합니다. 그러나 소프트웨어가 점점 더 큰 훈련 세트에 노출됨에 따라 소프트웨어도 진화하고 더 효과적이 됩니다.

팬: 처음부터 재교육하는 것은 매우 비쌀 수 있습니다. 대신 전이 학습을 할 수 있습니다. 예를 들어 몇 년 전에 우리는 핫스팟 감지에 대한 작업을 수행했습니다. 14nm에서 무언가를 감지하고 이를 7nm로 마이그레이션할 때 처음부터 시작할 필요가 없습니다. 원래 기계 학습 아키텍처를 사용할 수 있지만 중간 어디에서나 시작할 수 있습니다.

SE: 오늘날 큰 문제 중 하나는 하드웨어 결함으로 인한 자동 데이터 손상입니다. AI를 활용한 시스템을 통해 이를 추적하고 문제와 정확한 원인을 파악할 수 있을까?

Yu: AI는 다른 도구와 같습니다. 완벽하지 않습니다. 그러나 이러한 문제를 피하는 방법은 사람이 검증 테스트를 자주 수행하도록 하는 것입니다. 아마도 알려진 시나리오를 사용하여 AI를 실행하고 컴퓨터를 사용하여 예상 결과를 얻는지 확인할 수 있습니다. 이와 같은 간단한 접근 방식을 사용하면 문제를 식별하고 불일치를 식별하고 해당 영역을 자세히 살펴볼 수 있습니다. 엔지니어도 완벽하지 않고 AI도 완벽하지 않습니다. 지속적으로 개선하려면 이러한 종류의 문제를 피하기 위해 더 자주 두 번 확인하고 교차 확인해야 합니다.

잭슨: 우리는 설계에서 사람들의 속도를 높이거나 지원하고 이러한 설계의 기능적 문제를 디버깅하는 것과 관련하여 검증의 전체 영역에 많은 투자를 하고 있습니다. 그래서 우리는 이것을 최적의 지점으로 확실히 보고 AI에 많은 에너지를 쏟아붓고 있습니다.

SE: 설계 단계에서만 수행됩니까, 아니면 칩의 전체 수명 주기 동안 수행됩니까?

잭슨: 어느 정도는 칩의 수명주기입니다. 테스트, 배포 및 문제 디버그입니다.

섬너: 이 기술은 많은 사람들이 참여하고 무언가를 알아내야 하는 작업에 적합하며, 일상적이지만 어려운 작업을 많이 제거하면서 그렇게 할 수 있습니다. 궁극적인 목표는 당신이 밤에 집에 갈 수 있고 아침에 돌아와서 '나는 기가바이트 이상의 데이터를 처리했으며 여기 당신이 봐야 할 곳이 여기 있습니다'라는 보고서를 받는 것입니다. 문제가 있다고 말하는 것이 아니라 문제가 있을 수 있으니 한번 살펴보세요.' 건초 더미에 바늘 바늘 같은 문제를 가져다가 제품의 문제를 처리하는 방법에 대한 집중적인 노력으로 전환하고 있습니다. 그것은 또한 우리가 알고리즘을 더 신뢰할 수 있게 만드는 방법에 적용될 수 있으며, 테스트를 거쳤고 신뢰할 수 있는 출처에서 나온 것임을 알고 있기 때문에 신뢰할 수 있다는 느낌을 줍니다.

팬: 무언가를 검증하는 공식적인 방법이 있고 시뮬레이션이 있습니다. 궁극적으로 좋은 적용 범위를 위해서는 둘 다 필요합니다. 이상적으로는 프로세스 초기에 자동 데이터 손상을 일으키는 이상한 결함을 식별할 수 있기를 원합니다. 그것은 오늘날 꽤 활발한 연구 주제입니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 출처: https://semiengineering.com/ai-becoming-more-prominent-in-chip-design/