การเพิ่มประสิทธิภาพพื้นที่การออกแบบ Synopsys มาถึงเหตุการณ์สำคัญ

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

เมื่อเร็ว ๆ นี้ฉันได้พูดคุยกับ Stelios Diamantidis (สถาปนิกดีเด่น หัวหน้าฝ่ายกลยุทธ์ โซลูชันการออกแบบอัตโนมัติ) เกี่ยวกับการประกาศของ Synopsys ใน 100^th เทปออกของลูกค้าโดยใช้โซลูชัน DSO.ai ความกังวลของฉันเกี่ยวกับบทความเกี่ยวกับ AI คือการหลีกเลี่ยงโฆษณาที่ล้อมรอบ AI โดยทั่วไป และในทางกลับกัน ความสงสัยในการตอบสนองต่อโฆษณาดังกล่าวทำให้บางคนเลิกอ้างว่า AI ทั้งหมดอ้างว่าเป็นน้ำมันงู ฉันมีความสุขที่ได้ยิน Stelios หัวเราะและเห็นด้วยอย่างสุดใจ เรามีการอภิปรายอย่างมีเหตุผลเกี่ยวกับสิ่งที่ DSO.ai สามารถทำได้ในวันนี้ สิ่งที่ลูกค้าอ้างอิงของพวกเขาเห็นในโซลูชัน (ตามสิ่งที่สามารถทำได้ในปัจจุบัน) และสิ่งที่เขาสามารถบอกฉันเกี่ยวกับเทคโนโลยีได้

การเพิ่มประสิทธิภาพพื้นที่การออกแบบ Synopsys

DSO.ai ทำอะไร

DSO.ai จับคู่กับ Fusion Compiler และ IC Compiler II ซึ่งตามที่ Stelios เน้นอย่างระมัดระวังหมายความว่านี่เป็นโซลูชันการเพิ่มประสิทธิภาพระดับบล็อก SoCs เต็มรูปแบบยังไม่ใช่เป้าหมาย สิ่งนี้เหมาะกับแนวทางการออกแบบในปัจจุบัน เนื่องจาก Stelios กล่าวว่าเป้าหมายสำคัญนั้นเข้ากับโฟลว์ที่มีอยู่ได้อย่างง่ายดาย จุดประสงค์ของเทคโนโลยีนี้คือเพื่อให้วิศวกรนำไปใช้งาน ซึ่งมักจะเป็นวิศวกรคนเดียว เพื่อปรับปรุงประสิทธิภาพการทำงานของพวกเขา ในขณะเดียวกันก็สำรวจพื้นที่การออกแบบที่ใหญ่ขึ้นสำหรับ PPA ที่ดีกว่าที่อาจพบได้ด้วยวิธีอื่น

Synopsys ประกาศเทปออกครั้งแรกในฤดูร้อนปี 2021 และตอนนี้ได้ประกาศเทปไปแล้ว 100 รายการ ซึ่งพูดถึงความต้องการและประสิทธิภาพของโซลูชันเช่นนี้ได้เป็นอย่างดี Stelios เสริมว่ามูลค่าจะชัดเจนยิ่งขึ้นสำหรับแอปพลิเคชันที่ต้องสร้างอินสแตนซ์บล็อกหลายครั้ง ลองนึกถึงเซิร์ฟเวอร์แบบหลายคอร์ GPU หรือสวิตช์เครือข่าย ปรับบล็อกให้เหมาะสมเพียงครั้งเดียว สร้างอินสแตนซ์หลายครั้ง ซึ่งสามารถเพิ่มการปรับปรุง PPA ได้อย่างมีนัยสำคัญ

ฉันถามว่าลูกค้าที่ทำเช่นนี้ล้วนทำงานที่ 7 นาโนเมตรหรือต่ำกว่าหรือไม่ น่าแปลกที่มีการใช้งานตลอดจนถึง 40 นาโนเมตร ตัวอย่างหนึ่งที่น่าสนใจคือตัวควบคุมแฟลช ซึ่งเป็นการออกแบบที่ไม่ไวต่อประสิทธิภาพมากนัก แต่สามารถทำงานได้หลายสิบถึงร้อยล้านหน่วย การลดขนาดลง 5% ที่นี่อาจมีผลกระทบอย่างมากต่ออัตรากำไรขั้นต้น

สิ่งที่อยู่ภายใต้ประทุน

DSO.ai อิงจากการเรียนรู้แบบเสริมแรง ซึ่งเป็นประเด็นร้อนในทุกวันนี้ แต่ฉันสัญญาว่าจะไม่โฆษณาเกินจริงในบทความนี้ ฉันขอให้ Stelios เจาะลึกลงไปอีกเล็กน้อย แม้ว่าจะไม่แปลกใจเลยที่เขาบอกว่าเขาเปิดเผยมากเกินไปไม่ได้ สิ่งที่เขาสามารถบอกฉันได้น่าสนใจพอ เขาชี้ให้เห็นว่าในการใช้งานทั่วไป หนึ่งรอบผ่านชุดการฝึก (ยุคหนึ่ง) จะถือว่าวิธีที่รวดเร็ว (วินาทีถึงนาที) เพื่อประเมินขั้นตอนต่อไปที่เป็นไปได้ เช่น ผ่านการเปรียบเทียบการไล่ระดับสี เป็นต้น

แต่การออกแบบบล็อกที่จริงจังนั้นไม่สามารถปรับให้เหมาะสมได้ด้วยการประมาณการอย่างรวดเร็ว การทดลองแต่ละครั้งต้องดำเนินการผ่านขั้นตอนการผลิตทั้งหมด โดยเชื่อมโยงกับกระบวนการผลิตจริง โฟลว์ซึ่งอาจใช้เวลาหลายชั่วโมงในการทำงาน ส่วนหนึ่งของกลยุทธ์สำหรับการเรียนรู้การเสริมแรงที่มีประสิทธิภาพเนื่องจากข้อจำกัดนี้คือความคู่ขนาน ที่เหลือเป็นซอสลับของ DSO.ai แน่นอนว่าคุณสามารถจินตนาการได้ว่าถ้าซอสสูตรลับนั้นสามารถเกิดการปรับแต่งอย่างมีประสิทธิภาพตามยุคที่กำหนดได้ ความเท่าเทียมจะช่วยเร่งความคืบหน้าผ่านยุคถัดไป

ด้วยเหตุนี้ ความสามารถนี้จึงต้องทำงานในระบบคลาวด์จริงๆ เพื่อรองรับการทำงานแบบคู่ขนาน ระบบคลาวด์ส่วนตัวในองค์กรเป็นทางเลือกหนึ่ง Microsoft ได้ประกาศว่าพวกเขากำลังโฮสต์ DSO.ai บน Azure และรายงาน ST ในข่าวประชาสัมพันธ์ DSO.ai ว่าพวกเขาใช้ความสามารถนี้เพื่อปรับการใช้งาน Arm core ให้เหมาะสม ฉันคิดว่าอาจมีการถกเถียงที่น่าสนใจเกี่ยวกับข้อดีและข้อเสียของการปรับให้เหมาะสมในระบบคลาวด์สาธารณะบนเซิร์ฟเวอร์ 1000 เครื่องหากการลดพื้นที่นั้นคุ้มค่า

ความคิดเห็นของลูกค้า

Synopsys อ้างว่าลูกค้า (รวมถึง ST และ SK Hynix ในการประกาศนี้) กำลังรายงานการเพิ่มผลผลิต 3 เท่า + ลดกำลังรวมสูงสุด 25% และลดขนาดแม่พิมพ์ลงอย่างมาก ทั้งหมดนี้ใช้ทรัพยากรโดยรวมลดลง จากสิ่งที่ Stelios อธิบายไว้ ฟังดูสมเหตุสมผลสำหรับฉัน เครื่องมือนี้ช่วยให้สำรวจจุดต่างๆ ในพื้นที่สถานะการออกแบบภายในกำหนดเวลาที่กำหนดได้มากกว่าที่จะเป็นไปได้หากการสำรวจนั้นเป็นแบบแมนนวล ตราบใดที่อัลกอริทึมการค้นหา (ซอสสูตรลับ) มีประสิทธิภาพ แน่นอนว่าจะพบว่าเหมาะสมกว่าการค้นหาด้วยตนเอง

กล่าวโดยย่อคือ AI โฆษณาเกินจริงหรือน้ำมันงู DSO.ai แนะนำว่า AI กำลังเข้าสู่กระแสหลักในฐานะส่วนขยายทางวิศวกรรมที่น่าเชื่อถือสำหรับโฟลว์ที่มีอยู่ คุณสามารถเรียนรู้เพิ่มเติมได้จาก กดปล่อย และจาก บล็อกนี้.

แชร์โพสต์นี้ผ่าน: