Оптимизация проектного пространства Synopsys достигла важной вехи

Переиздано Платоном

Читают: 0

Недавно я разговаривал со Стелиосом Диамантидисом (выдающимся архитектором, руководителем отдела стратегии Autonomous Design Solutions) об объявлении Synopsys о 100^th запись клиента с использованием их решения DSO.ai. Я беспокоюсь о статьях, связанных с ИИ, в том, чтобы избежать ажиотажа, окружающего ИИ в целом, и, наоборот, скептицизма в ответ на этот ажиотаж, побуждающего некоторых отвергать все заявления об ИИ как змеиное масло. Я был счастлив услышать, как смеется Стелиос, и искренне согласился. У нас была очень обстоятельная дискуссия о том, что DSO.ai может сделать сегодня, что их референтные клиенты видят в решении (исходя из того, что оно может делать сегодня) и что он может рассказать мне о технологии.

Оптимизация проектного пространства Synopsys

Что делает DSO.ai

DSO.ai сочетается с Fusion Compiler и IC Compiler II, что, как тщательно подчеркивал Стелиос, означает, что это решение для оптимизации на уровне блоков; Полноценные SoC пока не являются целью. Это соответствует современным методам проектирования, поскольку Стелиос сказал, что важная цель — легко вписаться в существующие потоки. Цель этой технологии состоит в том, чтобы позволить инженерам по внедрению, часто одному инженеру, повысить свою производительность, а также исследовать большее пространство для проектирования для лучшего PPA, чем это могло бы быть обнаружено в противном случае.

Synopsys объявила о первом выпуске ленты летом 2021 года, а сейчас объявила о выпуске 100 записей. Это хорошо говорит о востребованности и эффективности такого решения. Стелиос добавил, что значение становится еще более очевидным для приложений, которые должны многократно создавать экземпляр блока. Подумайте о многоядерном сервере, графическом процессоре или сетевом коммутаторе. Оптимизируйте блок один раз, создайте экземпляр много раз — это может привести к значительному улучшению PPA.

Я спросил, все ли клиенты, делающие это, работают на 7 нм и ниже. Удивительно, но есть активное использование вплоть до 40нм. Одним интересным примером является контроллер флэш-памяти, конструкция которого не очень чувствительна к производительности, но может работать от десятков до сотен миллионов единиц. Уменьшение размера даже на 5% здесь может оказать большое влияние на прибыль.

Что под капотом

DSO.ai основан на обучении с подкреплением, горячей теме в наши дни, но я не обещал в этой статье никакой шумихи. Я попросил Стелиоса углубиться еще немного, но не удивился, когда он сказал, что не может раскрыть слишком много. То, что он мог мне рассказать, было достаточно интересно. Он отметил, что в более общих приложениях один цикл через обучающий набор (эпоху) предполагает быстрый (от секунд до минут) метод оценки следующих возможных шагов, например, посредством сравнения градиентов.

Но серьезную блочную конструкцию невозможно оптимизировать с помощью быстрых оценок. Каждое испытание должно проходить через весь производственный процесс, сопоставляя его с реальными производственными процессами. Потоки, выполнение которых может занять несколько часов. Частью стратегии эффективного обучения с подкреплением с учетом этого ограничения является параллелизм. Остальное — секретный соус DSO.ai. Конечно, вы можете себе представить, что если этот секретный соус может придумать эффективные усовершенствования, основанные на данной эпохе, то параллелизм ускорит прогресс в следующей эпохе.

С этой целью эта возможность действительно должна работать в облаке для поддержки параллелизма. Частное локальное облако — один из вариантов. Microsoft объявила, что размещает DSO.ai в Azure, а ST сообщает в пресс-релизе DSO.ai, что они использовали эту возможность для оптимизации реализации ядра Arm. Я предполагаю, что могут быть интересные дебаты о плюсах и минусах запуска оптимизации в общедоступном облаке, скажем, на 1000 серверов, если сокращение площади того стоит.

Отзыв заказчика

Synopsys утверждает, что клиенты (включая ST и SK Hynix в этом объявлении) сообщают о трехкратном увеличении производительности, снижении общей мощности до 3% и значительном уменьшении размера кристалла, и все это при сокращении использования общих ресурсов. Учитывая то, что описал Стелиос, мне это кажется разумным. Инструмент позволяет исследовать больше точек в пространстве состояний проекта в рамках заданного расписания, чем это было бы возможно, если бы это исследование выполнялось вручную. Пока алгоритм поиска (секретный соус) эффективен, конечно, он найдет лучший оптимум, чем ручной поиск.

Короче говоря, ни хайпа ИИ, ни змеиного масла. DSO.ai предполагает, что ИИ становится мейнстримом как надежное инженерное расширение существующих потоков. Вы можете узнать больше из пресс-релизе и от этот блог.

Поделитесь этим постом через: