中文 英语
德赢vwin
的意见

5对2021年的AI创新预测

建筑学意识的设计工具,强化学习,以及明年AI的更多趋势。

受欢迎程度

由Arun Venkatachar和Stelios Diamantidis

人工智能(AI)已成为所有技术中最重要的观点之一。曾经可以思考和行为的开发机器的曾经是一个可以思考和行为的愿景变得越来越成为工程创新的现实,使得能够有效地和实际功耗水平来处理和解释以前无法想象的数据的性能(但仍然估计的秩序高于人类大脑)。

我们已经看到AI应用程序以有意义的方式影响我们的生活,从运行通信,运输,银行和医疗保健系统的数据中心,该中心到我们的起居室,这是针对家庭娱乐设备的简单语音命令可以产生一个连贯的反应。

但如果人工智能是一场棒球比赛,我们可能会说我们仍处于早期阶段。我们已经取得了很大的进展,但实际上,这些创新已经揭示了实施人工智能的挑战是多么深刻和复杂。我们继续剥洋葱。几乎没有一家大型科技公司(或小型科技公司)没有正在进行的重大人工智能项目,它们都在迅速探索可以应用人工智能的机会,其范围之广令人难以置信。虽然人工智能转型显然正在数字经济的各个方面进行,但我们知道,要利用机器学习、神经网络、人工智能加速器和公司正在开发的越来越大的数据集的更多潜力,仍有很多工作要做。

Synopsys积极参与几十个AI芯片设计项目,其中一些领先的公司以及许多尚未赘述。我们与公司的合作像IBM一样,我们正在合作在未来十年内如何在AI芯片中实现1,000倍更好的性能,有助于我们改进启用所有重要硅的设计工具,方法和IP,这些硅将来的AI系统能够为AI系统供电。

我们的经验和客户互动使我们能够欣赏到AI所领导的地方。由于这是人们喜欢预测来年的季节,我们希望在2021年分享一些人的AI主题,主要来自芯片级的观点。

AI硬件时代的体系结构感知设计工具

AI ERA已更新强调开发创新的硬件架构,这些架构都是前所未有的复杂和大量,而不会忘记每瓦特的性能对于实现现实世界的应用至关重要。AI“配方”包括新的计算范例,域特定架构和可配置的硅设备,专门为AI计算专门设计和优化。它还在算法,软件,系统集成和应用中提供了广泛的专业知识。

很明显,人工智能芯片的开发需要一种端到端硬件开发的重新工具方法,以便扩大规模。我们看到现有的工具越来越具有架构意识,具有新的功能和方法来显著加速新的计算范例的实现。这些包括:

  • 解决整个验证连续体的解决方案,包括使用原型化和仿真。基于软件的验证技术,支持详细的规则驱动的逻辑验证,正式验证以及详细的电源和定时分析也将看到更大的使用。
  • 与今天的设计流程相比,设计实现解决方案在更高的抽象层次上连接了设计师的需求,允许在建筑探索期间准确估计功率性能区域(PPA),并遵循高度收敛的路径,直到制造的最终结束。
  • 在人工智能时代,硅IP将变得更加重要,因为设计团队希望利用经过验证的设计元素来帮助处理、存储和实时连接人工智能芯片的要求。
  • 从制造和屈服的角度来看,新材料的使用、全方位3D堆叠结构和EUV技术也将需要新的方法。TCAD工具、掩模合成以及与物理实现流程的更紧密集成都是帮助芯片公司优化人工智能芯片制造方式的关键领域。

与过去的CPU和GPU驱动的架构不同,AI芯片将看到我们见证的IC设计中的一些更改性变化。

人工智能进入芯片设计主流

Synopsys一直在使用EDA产品和IP中使用AI创新新方法的几年。鉴于我们历史悠久的应用许多统计和启发式方法历史悠久,艾美和埃德之间存在良好的协同作用。

我们希望看到这种趋势在研究和了解如何在IC设计过程的更多领域应用AI。一般来说,我们看到有可能利用具有以下特征的设计,验证和制造领域的效率:

  1. 如果任何类型的设计任务涉及许多启发式机构,我们相信AI可以有效地利用。
  2. 当有大量的手动重复任务时,例如在调试中,AI的效率可能是一个很大的时间节省者。
  3. 在任何简单的数据和设计师不知道如何处理它的情况下,AI可以减少搜索空间并使其高效。
  4. AI通过更少的方式做得更多帮助提高生产力。验证是一个很好的例子。大多数芯片设计项目在验证中高达30%的时间,主要运行相同的测试。AI可以帮助工具仅在设计的那些部分进行验证,从而帮助验证,从而显着降低计算时间并提供更快的结果。

synopsys.介绍了DSO。人工智能在2020年。DSO代表设计空间优化,它是EDA行业第一个将人工智能应用于非常复杂的设计任务的产品——在这种情况下,搜索设计和硅技术选择的巨大组合空间,以确定PPA的最佳组合。这个创新的平台利用人工智能的力量,吸收由地点路线和楼层规划等设计工具生成的大量数据流,以探索搜索空间。DSO。人工智能应用强化学习技术要观察设计如何随着时间的推移而发展,并调整设计选择,技术参数和工作流程,以指导多维优化目标的探索过程。DeepMind等公司已成功使用加强学习,以向“无法解决的”问题提供令人惊叹的解决方案,从击败世界冠军(2016)解决蛋白质折叠挑战今年早些时候。

2020年,早期采用者开始使用DSO。人工智能在生产。在数十个设计项目中,DSO。人工智能能够在极短的时间内识别出更好的设计解决方案,而这类复杂任务通常需要很短的时间。随着这项技术在2021年成为主流,我们开始看到整个设计团队的生产率的飞跃,这只能与早期的EDA和RTL合成的引入相比较。

2020年10月,DSO.AI被授予斯瓦福尔队“年度创新产品”奖在电子产品。

AI在设计师生产力和设计团队效率方面有很大的潜力;我们认为这是EDA未来几年的主要创新领域。

让人工智能更值得信赖

值得信赖的AI是我们听到越来越多的术语,它具有广泛的影响。随着AI的进展,我们将会更加关注它的所有方面。

首先是数据的安全性,因为它通过AI旅程,从收集到处理和存储。公司在整个工作流程中需要一个值得信赖的链条。这个地方对计算环境的每个方面的要求 - 硬件,软件,连接和数据加密。AI不仅仅是关于数据数量的溢价(这是必不可少的),也是质量 - 它来自哪里,是数据可信和清洁,它是如何到达的地方?我们认为,随着数据的价值增加,这将是未来几年的重点。

与安全相关的就是安全。我们需要确保人工智能支持的系统将远远超过最低限度的“比人类更好”的能力,以减少对人类的风险。随着我们在自动交通、机器人和工业自动化方面越来越依赖人工智能系统,这一点尤其正确。更多、更健壮的数据集来训练机器学习算法将在这一领域有所帮助。我们能获取的信息越多,数据就越有相关性。还可以训练模型运行得更快,这解决了AI系统最重要的延迟问题,以提供尽可能快的响应时间。我们认为,随着人工智能的发展,这将继续成为一个主要要求。

最后,与信任有关是可靠性。该系统必须能够在其运行的任何条件下做出准确和快速的决策,通常在实时(例如,自主导航,施加20ms的计算响应延迟限制)。这引入了对环境极端的耐久性以及在安全数据实践方面的耐用性的新级别。

从数据中心到我们的手和边缘

许多公司已开发出专用平台,以运行大量数据。这一初步成功的主要区域一直处于强大的高性能计算系统和数据中心。

但是,我们正在看到更多的AI迹象,以更远的强大和昂贵的机器,包括每天直接触及我们的人。示例包括我们的移动设备和家庭娱乐系统,以及需要灵活的AI富集功能的工业环境。这些“智能边缘”系统需要比为数据中心设计的芯片的解决方案非常不同。对于一个,开发它们的成本必须较少。它们往往是专门用于特定功能。我们预测将有很多实验和技术和商业模式探索,因为公司寻求更多地部署AI方法。

可以在没有基于前沿过程的基于前沿过程的高度复杂IC所需的划痕的特定应用。这是我们广泛的IP投资组合,使设计人员能够利用经过验证的功能块的效率,并专注于他们独特的价值添加。我们的DesignWare IP为移动、物联网、汽车、数据中心和数字家庭等应用领域提供专用处理能力、高带宽内存吞吐量和可靠的高性能连接需求。我们认为这是促进人工智能更广泛发展的重要途径,并从更多方面看到它的影响,比如将这种能力带给更多没有大型芯片公司所有资产的人。

从狭窄到广阔的ai

AI最初在一些非常特定的领域中证明自己。通常,它有助于具有高性能计算机的危机大数据。它在预测维护应用,健康科学研究,复杂的财务用例等领域获得了验收,即使在芯片设计中的高度复杂的技术任务中,也是我们在DSO.AI的应用中的应用。在这些明确的空间中AI的大部分有效性是广泛的数据集发展,这是一个昂贵且耗时的命题,即并非所有公司或市场都可以承受。

我们认为,随着企业试图调整商业模式,以支持更广泛市场的人工智能,对狭义人工智能的关注还将持续一段时间。我们可以从这场主要由大公司采用人工智能的最初浪潮中吸取教训,我们希望随着时间的推移看到某种民主化。随着自然语言处理和人脸检测等技术的通用算法变得更好、更便宜,我们将看到人工智能的广泛扩散,尤其是在更多的消费品中,这是不可避免的。

总之,我们对AI的持续扩展持续扩展为各种应用和产品。AI Innovators面临的挑战是新的,重要的,并且需要很多实验。我们认为,通过合适的技术,专业知识和数据,我们可以在继续使AI有意义的生活中发挥重要作用。



发表评论


(注意:此名称将被公开显示)