Yonga Tasarımında Yapay Zeka Daha Öne Çıkıyor

Semiconductor Engineering, Cadence'de Ar-Ge'den sorumlu kurumsal başkan yardımcısı Michael Jackson; National Instruments'ta yarı iletken ve elektronik mühendisliği başkan yardımcısı Joel Sumner; Meta'da ürün ve mühendislik müdürü Grace Yu ve Austin'deki Texas Üniversitesi Elektrik ve Bilgisayar Mühendisliği Bölümü'nde profesör olan David Pan. Aşağıda, DesignCon'da canlı bir seyirci önünde gerçekleştirilen bu konuşmadan alıntılar yer almaktadır. Bu tartışmanın birinci bölümü okuyun.

SE: Bugünlerde herkes ve her şey muazzam miktarda veri topluyor. Nerede ve ne kadar süreyle saklarız? Ve neyin alakalı olduğunu nasıl belirleriz?

Sumner: Yapay zekanın ilk uygulandığını gördüğümüz yer, çok büyük ve sağlam veri depolamaya sahip yerlerdir. Yarı iletken üretim test altyapısının standart bir formatta yürütüldüğü için şanslıyız, bu nedenle onu bu gerçekten büyük veritabanlarına iyi bir etiketleme ile koymanıza izin veriyor, bu da neyin başarılı neyin başarısız olduğunu gösteriyor. Bu, bize bu şeyleri araştırmak ve bunları bir kanıt noktası olarak kullanmak için bir sıçrama tahtası verdi çünkü doğrulama veya otomatikleştirilmiş herhangi bir şey için diğer birçok sektörde uygulanabilirliği var. Ancak bu veri depoları bugün pek çok yerde standart bir şekilde mevcut değil. Var olduğu yer, evlat edinmeyi gördüğümüz yerdir.

SE: Tüm bu veriler tek bir yerde mi saklanacak? Ve bu veriler ileride nasıl kullanılacak?

Sumner: Birkaç nedenden dolayı dağıtılacaktır. Birincisi, sadece pratik olmasıdır. İkincisi, ilgili müşteri verileri var. Yani her şeyi mutlaka silemezsiniz. Örneğin, tasarım zincirinde birçok yerde AI algoritmaları çalıştırıyoruz. Bunları bulutta çalıştırıyoruz ama aynı zamanda verilerin elde edildiği yere de yakın. Bu, verilerin dağıtılmasını gerektirir. Ancak aynı zamanda, modeli tek bir yerde ve kolayca erişilebilir olacak şekilde eğitmek için bakmak istediğiniz tüm verilere gerçekten ihtiyacınız var.

Tava: Ve bu verileri daha iyi kararlar almanıza yardımcı olması için kullanabilirsiniz. Örneğin, on binlerce veya farklı düzen oluşturabilir ve ardından simülasyonu, ayıklamayı ve son düzeni yapabiliriz. Bu, tasarım uzmanlarını tamamlayıcı niteliktedir.

Jackson: Bir EDA açısından, yeni verilerin oluşturulması genellikle düzenleri değiştirerek veya rastgele oluşturarak yapılabilir. Yani sentetik olarak problem yaratabilirsiniz ve bu başka bir veri kaynağı olabilir. Bu, EDA'nın sahip olduğu avantajlardan biridir.

SE: Veri hacmi göz önüne alındığında, bunların tümü bulutta mı yapılacak yoksa yerel olarak mı yapılacak? Çok daha fazla işlem gücü gerektiren çok daha büyük veri kümelerinden bahsediyoruz.

Jackson: Bu şirkete bağlı olacaktır. Baskılı devre kartı tasarımı üzerinde çalışıyorum ve yapay zeka ile bazı işler yapıyoruz ve bulutta yapay zekayı etkinleştiren pek çok bilgi işlem yeteneği var. Küçük şirketler verilerini bulutta tutmakta sorun olmayabilir, ancak büyük şirketler verileri kendi özel bulutlarında çalıştırmak isteyeceklerdir.

Tava: Veri gizliliği kesinlikle büyük bir endişe kaynağıdır. Bu, makine öğrenimi açısından önemli bir alandır. Ancak verilerinizi başkalarına iletmek zorunda değilsiniz. Bunu şifreleyebilir ve ardından homomorfik hesaplama yapabilirsiniz. Güvenli bilgi işlem gelişmekte olan bir araştırma alanıdır. Yani veri paylaşmadan da kontrol edebilirsiniz.

Yu: Nasıl bir veriden bahsettiğimize bağlı. Müşteri gizliliği konusunda çok katı bir politikamız var. Bunu yalnızca bu verilere erişmesi gereken kişiler yapabilir. Meta'ya katılan her çalışan, veri gizliliği konusunda yıllık eğitimlerden geçer. Tasarım verileri için, projeye bağlıdır. Bazı verileri yerel sunucuda saklıyoruz ve bulutu büyük veri erişimimiz ve ayrıca simülasyon ve doğrulama için kullanıyoruz. Yani duruma göre.

SE: Donanım eskidikçe, bu yapay zekanın davranışını nasıl etkiler?

Sumner: Yaşlanma söz konusu olduğunda, yapay zekanın içinde çalıştığı ortam hakkında konuşmanız önemlidir. Yaşlanmayı gördüğümüz algoritmalar değildir. Eğitim verileridir. Yani, onu belirli bir üretim verisi seti üzerinde eğittiniz ve bu üretim verisi, belirli bir üretim ortamından alınmıştır. Ve sonra, zamanla işler değişir. İki durumdan birini göreceksiniz. Birincisi, tüm sistem sürükleniyor ve bu nedenle yapay zekanın bunu şimdi algılaması gerekiyor çünkü tüm sistem yeniden eğitilmesi gereken ilk eğitim verilerinden yeterince uzaklaştı. İkinci durum, bir cihazın daha önce gördüklerinden çok farklı bir şeyle ortaya çıktığı ve algoritmanın 'Bekle, bekle, buradaki en iyi cevap ben değilim' demesidir. Şimdi bir insana danışmam gerekiyor çünkü burası çok uzakta.' Bunların her ikisi de sistemdeki bozulma örnekleridir. Sürekli yenileme gereklidir.

Jackson: Kabul ediyorum. Yaşlanmayı ele almak için sürekli yeniden eğitim gereklidir. Ancak yazılım, daha büyük ve daha büyük bir eğitim setine maruz kaldıkça, aynı zamanda gelişir ve daha etkili hale gelir.

Tava: Sıfırdan yeniden eğitim çok pahalı olabilir. Bunun yerine, öğrenmeyi aktarabilirsiniz. Örneğin, birkaç yıl önce etkin nokta tespiti üzerine bazı çalışmalar yaptık. 14nm'de bir şey tespit ettiğinizde ve bunu 7nm'ye taşıdığınızda sıfırdan başlamak zorunda değilsiniz. Orijinal bir makine öğrenimi mimarisi kullanabilirsiniz, ancak ortada bir yerden başlayabilirsiniz.

SE: Günümüzün en büyük sorunlarından biri, donanım kusurlarından kaynaklanan sessiz veri bozulmasıdır. Yapay zeka kullanan sistemler aracılığıyla bunu takip edip sorunu ve kesin nedeni belirleyebilir miyiz?

Yu: AI, diğer herhangi bir araç gibidir. Mükemmel değil. Ancak bu sorunlardan kaçınmanın yolu, döngüde sık sık doğrulama testi yapacak bir insan bulundurmak, belki de beklenen sonucu alıp almadığımızı görmek için yapay zekayı ve bilgisayarı çalıştırmak için bilinen bir senaryoyu kullanmaktır. Bunun gibi basit yaklaşımları kullanarak sorunu tanımlayabilir, uyumsuzluğu belirleyebilir ve bu alanlara derinlemesine dalabilirsiniz. Mühendisler mükemmel değildir ve AI mükemmel değildir. Sürekli olarak gelişmek ve bu tür sorunlardan kaçınmak için daha sık çift kontrol ve çapraz kontrol yapmalısınız.

Jackson: Hızlandırma veya tasarımda insanlara yardım etme ve bu tasarımlardaki işlevsel sorunların hatalarını giderme ile ilgili olduğu için tüm doğrulama alanına büyük yatırım yapıyoruz. Bu yüzden bunu kesinlikle tatlı bir nokta olarak görüyoruz ve yapay zekaya çok fazla enerji aktarıyoruz.

SE: Bu sadece tasarım aşamasında mı yapılıyor yoksa çipin tüm yaşam döngüsü boyunca mı yapılıyor?

Jackson: Bir dereceye kadar, çipin yaşam döngüsü. Test edilmesi, konuşlandırılması ve sorunların hatalarının ayıklanmasıdır.

Sumner: Bu teknoloji, kapsamlı sayıda insanın bir araya gelip bir şeyler bulmasını gerektiren şeyler için iyi çalışıyor ve bunu sıradan ama zor işlerin çoğunu ortadan kaldırırken yapabiliyor. Nihai amaç, gece eve gidip sabah geri gelebilmeniz ve 'Gigabaytlarca veya daha fazla veriyi inceledim ve bakmanız gereken yer burası' şeklinde bir rapor alabilmenizdir. Ve bir sorun olduğunu söylemiyorum ama olabilir, o yüzden şuna bir bak.' Samanlıktaki sorunları alıp, ürününüzdeki bir sorunla nasıl başa çıkacağınıza yönelik odaklanmış çabalara dönüştürmektir. Algoritmalarımızı nasıl daha güvenilir hale getirdiğimize de uygulanabilir, test edildiği ve saygın bir kaynaktan geldiğini bildiğim için bu şeye güvenebileceğim duygusu yaratabilir.

Tava: Bir şeyi doğrulamanın resmi yolları vardır ve simülasyon vardır. Nihayetinde, iyi bir kapsama alanı için ikisine de ihtiyacımız var. İdeal olarak, sürecin başlarında sessiz veri bozulmasına neden olan bu garip aksaklıkları tespit edebilmek istiyoruz. Bu, bugün oldukça aktif bir araştırma konusu.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://semiengineering.com/ai-becoming-more-prominent-in-chip-design/