ML Automotive Chip Design tar av

ML Automotive Chip Design tar av

Tidsstempel: 4. mai 2023 3:08
Kilde node: 2628473

Maskinlæring blir i økende grad distribuert over et bredt utvalg av brikker og elektronikk i biler, både for å forbedre påliteligheten til standarddeler og for å lage ekstremt komplekse AI-brikker som brukes i stadig mer autonome applikasjoner.

På designsiden er flertallet av EDA-verktøyene i dag avhengige av forsterkende læring, en maskinlæringsdel av AI som lærer en maskin hvordan den utfører en spesifikk oppgave basert på mønstergjenkjenning. I motsetning til bildegjenkjenning i AI-brikker, som er basert på opplæring av massive datasett, kan maskinlæring raskt gi nøyaktige resultater ved å bruke mye mindre datavolumer. Synopsys, Cadence, Siemens og andre har alle omfavnet forsterkende læring i verktøyene sine, og deres bilkunder peker på forbedret tid til markedet for brikker som tilbyr bedre ytelse og oppfyller strenge sikkerhetsmål.

"Verifisering av disse komplekse brikkene er også avgjørende for å sikre sikkerhet og funksjonalitet, så dagens mest avanserte verktøy bruker AI/ML for å automatisere oppdagelse av dekningshull i testing, for å sikre at unnvikende hull og unnvikende feil ved hjelp av proxy oppdages som hvis uoppdaget kan være katastrofale i felt," sa Thomas Andersen, visepresident for AI og maskinlæring ved Synopsys. Han bemerket at i tillegg til å oppfylle kravene til kraft, ytelse og område, kan maskinlæring bidra til å bestemme partisjonerings- og avstandskrav for redundant funksjonalitet på brikken.»

I dag øker mengden maskinlæring som brukes til å lage sjetonger for kjøretøy, og bruken av AI i disse kjøretøyene. Hvor raskt det vil endre seg er en formodning, men trendene er klare.

"Det er et svar for i dag, og det er et svar om et par år, og de er veldig forskjellige," sa David Fritz, visepresident for hybrid-fysiske og virtuelle systemer, bil og mil-aero ved Siemens Digital Industries programvare. «Vi starter med systemutforskning, og det finnes verktøy for å gjøre nettopp det. De gir mulighet for utforskning av dette komplekse rommet, og hvordan systemet ser ut. Hvordan ser for eksempel ECUene ut? Hvor skal programvaren kjøres? Tidligere var det ganske enkelt å bare si: 'Her er en MATLAB-modell som modellerer funksjonaliteten', trykk på knappen, generer litt C-kode, og du er ferdig. Problemet er at hele den automatiserte prosessen er borte. Det fungerer bare ikke fordi beregningskravene er så off the charts på grunn av kompleksiteten til bilen.»

Den typiske modellen, som nå raskt vokser utdatert, er V-diagrammet. "Det pleide å være slik at du bare kunne dekomponere dette ned til minimumsenhetene, generere den lille biten av C-kode fra modellen, sette alt sammen, og se og se, det fungerer," sa Fritz. "Problemet er at når et visst nivå av kompleksitet er nådd, fungerer det ikke lenger, for når du setter alle puslespillbrikkene sammen igjen, finner du ut at du mangler to av de fire hjørnene og flere brikker i midten. mangler. Det som skjer i dag er prosessen med å ta krav og i hovedsak identifisere hvordan en potensiell systemarkitektur vil se ut, for så å simulere den og måle den. Deretter tar du disse målingene, sammenligner dem med kravene, og gjentar ad kvalme."

På verktøysiden kan fokuset være på maskinlæring, men i kjøretøyene vil full AI til slutt være nødvendig for å håndtere stadig mer autonom funksjonalitet. "EDA-leverandører har funnet nye applikasjoner for [ML] for å optimalisere, automatisere og øke hastigheten på SoC-utviklingsflytene," sa Thierry Kouthon, teknisk produktsjef for Security IP på Rambus. "Brickdesign blir stadig mer komplekst på grunn av økt tetthet ved lavere geometrier, lave latenskrav, hyperskaladesign med milliarder av porter og tid-til-markedspress. Som et resultat krever det sofistikert ekspertise som kan bli stadig knappere, og det vil være nødvendig med betydelige investeringer for å tilfredsstille aggressive tidsplaner."

EDA-leverandører har distribuert forsterkende læring for å forbedre hvordan SoC-er er designet og produsert. "Det brukes i dag i flere områder av SoC-designflyten, for eksempel logikksyntese, verifisering, plassering, ruting, 3D-integrasjon og design for test," sa Kouthon, og la merke til at EDA-selskaper fremmer forsterkende læring for å akselerere og forbedre kvaliteten på ASIC-designflytene, samt å redusere mengden ressurser som er involvert i et halvlederprosjekt.

I løpet av de siste månedene har nesten alle de store EDA-leverandørene omfavnet et visst nivå av maskinlæring, og de presser seg lenger inn i AI-verdenen etter hvert som mer relevant data samles inn. "Selv om det fortsatt er en stor mulighet foran oss, og en stor mengde innovasjon som er mulig, begynner det akkurat å bli låst," sa Rob Knoth, produktledergruppedirektør i Digital & Signoff Group på Cadence. «Du må bare åpne avisen eller lese gjennom noen reportasjer. Hvis du ser på hva Tesla gjør med sin Dojo-superdatamaskin, ser du hvordan det generelle systemet er påvirket av, ivaretatt og designet ikke bare av AI, men for AI. Brikken er utrolig viktig, men brikken er bare viktig så langt som konteksten til bilen eller konteksten til datasenteret. Og de enorme datamengdene som kreves for å utføre bilfunksjoner for å bidra til å forbedre kvalitet og pålitelighet, for å håndtere funksjonelle sikkerhetsproblemer – alle disse tingene danser sammen. Det er ikke én del isolert, og det er den sanne skjønnheten og potensialet som bare begynner å bli låst opp.»

AI/ML kan spille en kritisk rolle i mange deler av designprosessen for biler.

“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.”

Andre er enige. "Fra et brikkearkitekturperspektiv er moderne bilbrikker sterkt rettet mot automatisering av kjøreaspekter og sikkerhetsfunksjoner," sa Synopsys' Andersen. "Som sådan har de i hovedsak blitt AI-brikker i bilen som implementerer komplekse CNN-funksjoner for å analysere bilder, video og scener og ta de riktige tiltakene for å unngå ulykker eller mot full selvkjørende automatisering."

Spesielt innen bilindustrien er arbeidet sentrert rundt kvalitet, pålitelighet og sikkerhet.

"Kvalitet handler om å senke de defekte delene dine som kommer ut av produksjon (DPPM),," sa han. "Pålitelighet handler om å sørge for at du kan holde deg funksjonell gjennom produktets levetid. Funksjonell sikkerhet er i utgangspunktet å si: 'Hvis noe går i stykker, la oss sørge for at vi ikke forårsaker skade.' De er alle intenst knyttet til bilindustrien, og i hver av disse blir AI enten aktivt brukt for å hjelpe til med å nå disse målene, eller det er potensialet basert på hvordan de har blitt møtt tidligere for å få AI brukt på dem for å enten lage test smartere, gjør bedre aldringsanalyse, eller vær mer smart, effektiv og effektiv når det gjelder sikkerhetsmekanismene du legger inn.»

AI/ML passer inn i en rekke applikasjoner og verktøy for bilindustrien, og de støtter ofte hverandre. "Teknikkene våre for utviklingen spiller en stor rolle fordi vi har lurt på hvordan vi skal verifisere denne AI," sa Frank Schirrmeister, visepresident for løsninger og forretningsutvikling hos Arteris IP. "Er det en strukturell verifisering for CNN, DNN, eller hva som brukes? Gjør den funksjonelt multiplikasjoner riktig? Likevel, når du først har trent det, er det veldig få måter å bekrefte hvor du ikke vil ha noen uteliggere. Dette er grunnen til at rekkverk trengs, og det er her systemiske utviklingsutfordringer kommer inn. Du har AI-en din som hjelper til med syn i bilen og gjenkjenner ting, men da må du fortsatt beskytte den, og fra et utviklingsperspektiv finne ut de riktige måtene å grasiøs degradering. Hvis det er noe som ikke gir mening, hvordan mislykkes eller stopper du bilen på en grasiøs måte uten å drepe noen? Det er en del av utviklingsprosessen på et systemisk nivå – hvordan beskytte AI.»

Økende AI-hensyn
Alle disse hensynene blir stadig viktigere etter hvert som mer AI/ML legges til i kjøretøy og brukes til å lage brikkene i disse kjøretøyene.

Ron DiGiuseppe, senior markedssjef, automotive IP hos Synopsys, ser bruken av AI på et kontinuum. «Det er mobilitetsspekteret, ADAS nivå 2, nivå 2+, nivå 3, nivå 4, nivå 5 til full selvkjøring. I den ADAS-kategorien av nivå 2 ADAS-automatisering – som er applikasjonene som brukes i biler nå, inkludert adaptiv cruisekontroll – er det en AI-applikasjon kun for ADAS. Det er ikke selvkjørende. Et annet eksempel er automatisk nødbremsing. Når du kjører nedover gaten og en hund løper over, vil gjenstandsdeteksjon starte en automatisk nødbremsing. Disse er utplassert i biler nå, hvorav mange bruker visjonsbasert AI. Det beste eksemplet er Mobileye, sannsynligvis det mest brukte i disse AI-applikasjonene i ADAS. Uavhengig av selvkjøring blir AI tatt i bruk i andre applikasjoner i bilen, men de er fortsatt under utvikling nå. Det er ikke mye brukt i produksjonen.»

Fremover sa DiGiuseppe at AI vil bli brukt til andre applikasjoner i bilen, for eksempel infotainment-førerovervåkingssystemer, som blikkdeteksjon, for å se hvor sjåføren ser. "I drivverket for elektriske kjøretøy er DC-til-DC-omformeren også et godt eksempel på hvordan AI kan optimalisere denne applikasjonen for batteristyringssystemet. Vanligvis er det en algoritme for å optimalisere lading/utlading av batteripakken. Det er nok en uvanlig bruk av AI, men poenget er at det kommer til mange forskjellige applikasjoner i bilen.»

Elektromotorsensorreduksjon er nok en applikasjon for AI. "Det er maskinvaresensorer der inne som bruker prediktiv analyse med AI for å utføre den funksjonen. Så i stedet for å faktisk bruke maskinvaresensorer i drivverket med en elektrisk motor, kan du bruke AI-prediktiv analyse," la DiGiuseppe til.

Hvordan disse AI-algoritmene til slutt vil bli distribuert vil endre seg over tid. De to nøkkelelementene der er fleksibilitet og størrelse. "Hvis de er relativt små modeller, er eFPGA en gjennomførbar tilnærming," bemerket Geoff Tate, administrerende direktør i Flex Logix. Dette kan være spesielt nyttig for designere som ønsker å maksimere PPA. eFPGA-er er svært effektive for store visjonsmodeller med megapikselbilder og hundrevis av lag som YOLOv5L6, forklarte Tate. De kan også omprogrammeres i felten for å dra nytte av algoritmendringer.

Nåværende AI-implementering
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 mener dette er en av hovedårsakene til at nivå 4 og nivå 5 autonomi har blitt så forsinket. "Det er ikke nødvendigvis på grunn av AI inne i kjøretøyet, selv om det absolutt er en utfordring. Og det handler ikke om funksjonell sikkerhet. Det handler ikke om alle de tingene lenger. Det har vi god kontroll på. Men hvordan får du det til å fungere i en virkelig verden med alle disse forskjellige leverandørene som gjør sine egne brikker? De er alle vant til å gjøre ting på sin egen måte, og bare fokusere på sin del av dette veldig store puslespillet. Nå må de vise at brikken deres i puslespillet kommer til å fungere med alle de andre brikkene rundt seg, ingen av dem kan du faktisk se. I alle de store bilgruppene kan de ha flere merker, og hvert av disse merkene har en tendens til å ha sin egen måte å gjøre ting på. Så selv innenfor selskaper du kontrollerer er det ekstremt vanskelig å få en form for konsensus om hvordan ting må gå fremover.»

Når den utviklingsprosessen er på plass, og gjort manuelt, bruker neste generasjon AI på den prosessen. "AI-en blir trent, og den kommer til å ha hundrevis av forskjellige innganger," sa Fritz. "En inngang kan være noe så enkelt som "Båndbredden overstiger aldri 60%" eller "Inputene kommer til å være indirekte relatert til typene krav som går inn i systemet." Når du har en modell på høyt nivå som kan kjøre, lage en digital tvilling og deretter gi disse beregningene tilbake, så AI-en som sitter over som ser på den og sier: 'Har jeg gjort ting bedre eller verre?' Det er trent over tid til å si at jeg innser at hvis jeg organiserer strukturen min på denne måten, eller hvis jeg bruker, la oss si, den nyeste beste Arm-CPU og jeg kan kjøre den på 1 gigahertz, kan jeg gjøre mer prosessering på denne noden av systemet, noe som senker båndbredden min. Og nå kan jeg slippe unna med 5 gigabit Automotive Ethernet, og kan møte et kostnadskrav eller vektkrav eller et rekkeviddekrav. AI vil til slutt ta over for disse systemarkitektene fordi det er for mange dimensjoner, for mange variabler til at noe menneske faktisk kan finne ut av dette.»

konklusjonen
Over tid, ettersom systemforståelsen forbedres til det punktet hvor det er et standard, hyllevare maskinlæringsproblem som kan identifisere inngangene og få resultater – og etter hvert som designteam forstår hvordan de kan sammenligne disse resultatene og justere designet – så det vil bli mer gjennomgripende. "Bildegjenkjenning er det samme som alle andre problemer," sa Fritz. "Når vi har det, vil det være opplæringen av AI som vil være unik for hvert merke og hver OEM, og det vil være de gylne juvelene. Ingen kommer til å røre det. Ingen kommer til å rote med det med mindre det har blitt kjørt gjennom utrolig komplisert regresjonstesting for å sikre at de ikke på en eller annen måte har ødelagt noe. Det er fremtiden."

Likevel bør det grunnleggende ikke glemmes, sa Cadences Knoth. «AI er her, det er ikke i fremtiden. Viktig er også det faktum at du ikke kan glemme det grunnleggende. Du må øve på lay-up skuddene dine. Du må trene på straffekastene dine. Du må være solid i alt det grunnleggende, eller spiller ingen rolle hvor kult det nye leketøyet er. Dette er dobbelt viktig i bilindustrien. AI kan hjelpe deg med å gjøre mange ting, men hvis du ikke tar hensyn til kvaliteten, påliteligheten og sikkerheten til din del, hvis du ikke tar hensyn til den grunnleggende designen og signerer-metodene, kommer det ikke til å bli en suksess."

Når det kommer til stykket, tilbyr AI/ML mange teknikker å bruke for optimaliseringsformål, som forsterkende læring, k-clustering, konvolusjonelle nevrale nettverk, generative motstridende nettverk og mer, bemerket Rambus' Kouthon. "Anvendelsen av alle disse teknikkene på ulike stadier av IC-design- og produksjonsflyten er et aktivt forskningsområde som lover fordeler for emner som avkastningsoptimalisering eller design for test og verifisering."

Tidstempel:

Mer fra Semi -ingeniørfag