Synopsys Design Space Optimization dosegel mejnik

Ponovno objavil Platon

Spremljevalci: 0

Nedavno sem se pogovarjal s Steliosom Diamantidisom (uglednim arhitektom, vodjo strategije, avtonomne rešitve za oblikovanje) o napovedi podjetja Synopsys o 100^th stranki tapeout z uporabo njihove rešitve DSO.ai. Moja skrb glede člankov, povezanih z umetno inteligenco, je, da se izognem pompu, ki obdaja umetno inteligenco na splošno, in nasprotno skepticizmu v reakciji na ta pomp, zaradi katerega so nekateri zavrnili vse trditve o umetni inteligenci kot kačje olje. Vesel sem bil, ko sem slišal, kako se je Stelios smejal in se iz vsega srca strinjal. Imeli smo zelo temeljito razpravo o tem, kaj lahko DSO.ai počne danes, kaj njihove referenčne stranke vidijo v rešitvi (na podlagi tega, kar zmore danes) in kaj mi lahko pove o tehnologiji.

Optimizacija prostora za oblikovanje Synopsys

Kaj počne DSO.ai

DSO.ai je povezan s prevajalnikom Fusion in IC prevajalnikom II, kar, kot je skrbno poudaril Stelios, pomeni, da je to rešitev za optimizacijo na ravni blokov; Polni sistemi na čipu še niso cilj. To ustreza trenutnim praksam načrtovanja, saj je Stelios dejal, da se pomemben cilj zlahka prilega obstoječim tokovom. Namen tehnologije je omogočiti implementacijskim inženirjem, pogosto enemu samemu inženirju, da izboljšajo svojo produktivnost, hkrati pa raziščejo večji prostor za načrtovanje za boljši PPA, kot bi ga lahko odkrili drugače.

Synopsys je poleti 2021 napovedal prvi posnetek, zdaj pa je napovedal 100 zapisov. To dobro govori o povpraševanju in učinkovitosti takšne rešitve. Stelios je dodal, da postane vrednost še bolj očitna za aplikacije, ki morajo večkrat instancirati blok. Pomislite na večjedrni strežnik, GPE ali omrežno stikalo. Optimizirajte blok enkrat, instancirajte večkrat – to lahko prispeva k pomembni izboljšavi PPA.

Vprašal sem, ali vse stranke, ki to počnejo, delajo na 7n in manj. Presenetljivo je aktivna uporaba vse do 40nm. En zanimiv primer je krmilnik bliskavice, zasnova, ki ni zelo občutljiva na zmogljivost, vendar lahko deluje na desetine do sto milijonov enot. Zmanjšanje velikosti celo za 5 % tukaj lahko močno vpliva na marže.

Kaj je pod pokrovom

DSO.ai temelji na učenju s krepitvijo, kar je dandanes vroča tema, vendar sem obljubil, da v tem članku ne bo nobenih pompov. Steliosa sem prosil, naj se še malo poglobi, čeprav me ni presenetilo, ko je rekel, da ne more razkriti preveč. Kar mi je lahko povedal, je bilo dovolj zanimivo. Poudaril je, da v splošnejših aplikacijah en cikel skozi niz usposabljanja (epoha) predpostavlja hitro (od sekund do minut) metodo za oceno naslednjih možnih korakov, na primer s primerjavami gradientov.

Toda resne zasnove blokov ni mogoče optimizirati s hitrimi ocenami. Vsak poskus mora potekati skozi celoten proizvodni tok in se preslikati v dejanske proizvodne procese. Tokovi, ki lahko trajajo več ur. Del strategije za učinkovito učenje s krepitvijo glede na to omejitev je vzporednost. Ostalo je skrivna omaka DSO.ai. Vsekakor si lahko predstavljate, da če lahko ta skrivna omaka pripravi učinkovite izboljšave na podlagi dane epohe, potem bo vzporednost pospešila napredek skozi naslednjo epoho.

V ta namen mora ta zmogljivost resnično delovati v oblaku, da podpira paralelizem. Ena od možnosti je zasebni oblak na mestu uporabe. Microsoft je objavil, da gosti DSO.ai na Azure, ST pa v sporočilu za javnost DSO.ai poroča, da so to zmožnost uporabili za optimizacijo implementacije jedra Arm. Predvidevam, da bi lahko prišlo do zanimivih razprav o prednostih in slabostih izvajanja optimizacije v javnem oblaku na recimo 1000 strežnikih, če se zmanjšanje površine splača.

Povratne informacije strank

Synopsys trdi, da stranke (vključno s ST in SK Hynix v tej objavi) poročajo o 3-kratnem povečanju produktivnosti, do 25 % nižji skupni moči in znatnem zmanjšanju velikosti matrice, vse z zmanjšano uporabo skupnih virov. Glede na to, kar je Stelios opisal, se mi to zdi razumno. Orodje omogoča raziskovanje več točk v prostoru načrtovalnega stanja znotraj danega urnika, kot bi bilo mogoče, če bi bilo to raziskovanje ročno. Dokler je iskalni algoritem (skrivna omaka) učinkovit, bi seveda našel boljši optimum kot ročno iskanje.

Skratka, niti AI hype niti kačje olje. DSO.ai nakazuje, da AI vstopa v mainstream kot verodostojna inženirska razširitev obstoječih tokov. Več lahko izveste iz sporočilo za javnost in od ta blog.

Delite to objavo prek: