Cómo la IA cambiará el diseño de los chips

El fin de la Ley de Moore se avecina. Los ingenieros y diseñadores no pueden hacer mucho para miniaturizar los transistores y empaquetar tantos como sea posible en chips. Entonces, están recurriendo a otros enfoques para el diseño de chips, incorporando tecnologías como IA en el proceso.

Samsung, por ejemplo, está agregando IA a sus chips de memoria para permitir el procesamiento en la memoria, ahorrando así energía y acelerando el aprendizaje automático. Hablando de velocidad, el chip TPU V4 AI de Google ha duplicado su poder de procesamiento en comparación con su versión anterior.

Pero la IA tiene aún más promesa y potencial para la industria de los semiconductores. Para comprender mejor cómo la IA está configurada para revolucionar el diseño de chips, hablamos con Heather Gorr, gerente sénior de productos de la plataforma MATLAB de MathWorks.

¿Cómo se utiliza actualmente la IA para diseñar la próxima generación de chips?

Heather Gor: La IA es una tecnología tan importante porque está involucrada en la mayor parte del ciclo, incluido el proceso de diseño y fabricación. Hay muchas aplicaciones importantes aquí, incluso en la ingeniería de procesos general donde queremos optimizar las cosas. Creo que la detección de defectos es importante en todas las fases del proceso, especialmente en la fabricación. Pero incluso pensando en el futuro del proceso de diseño, [AI now plays a significant role] cuando estás diseñando la luz y los sensores y todos los diferentes componentes. Hay una gran cantidad de detección de anomalías y mitigación de fallas que realmente desea considerar.

brezo gordoMathWorks

Luego, pensando en el modelo logístico que ve en cualquier industria, siempre hay un tiempo de inactividad planificado que desea mitigar; pero también termina teniendo tiempo de inactividad no planificado. Entonces, mirando hacia atrás en los datos históricos de cuando ha tenido esos momentos en los que tal vez tomó un poco más de lo esperado fabricar algo, puede echar un vistazo a todos esos datos y usar IA para tratar de identificar la causa próxima o para ver algo que podría destacar incluso en las fases de procesamiento y diseño. Pensamos en la IA a menudo como una herramienta predictiva, o como un robot que hace algo, pero muchas veces obtienes mucha información de los datos a través de la IA.

¿Cuáles son los beneficios de usar IA para el diseño de chips?

Gorr: Históricamente, hemos visto mucho modelado basado en la física, que es un proceso muy intensivo. Queremos hacer un modelo de orden reducido, donde en lugar de resolver un modelo tan extenso y costoso desde el punto de vista computacional, podamos hacer algo un poco más barato. Podrías crear un modelo sustituto, por así decirlo, de ese modelo basado en la física, usar los datos y luego hacer tus barridos de parámetros, tus optimizaciones, tus simulaciones de Monte Carlo usando el modelo sustituto. Eso lleva mucho menos tiempo computacionalmente que resolver directamente las ecuaciones basadas en la física. Entonces, estamos viendo ese beneficio de muchas maneras, incluida la eficiencia y la economía que son los resultados de iterar rápidamente en los experimentos y las simulaciones que realmente ayudarán en el diseño.

Entonces, ¿es como tener un gemelo digital en cierto sentido?

Gorr: Exactamente. Eso es más o menos lo que la gente está haciendo, donde tienes el modelo del sistema físico y los datos experimentales. Luego, en conjunción, tienes este otro modelo que puedes ajustar y ajustar y probar diferentes parámetros y experimentos que te permitan barrer todas esas situaciones diferentes y llegar a un mejor diseño al final.

Entonces, ¿va a ser más eficiente y, como dijiste, más barato?

Gorr: Sí, definitivamente. Especialmente en las fases de experimentación y diseño, donde estás probando cosas diferentes. Obviamente, eso generará ahorros de costos dramáticos si realmente está fabricando y produciendo [the chips]. Desea simular, probar, experimentar tanto como sea posible sin hacer algo utilizando la ingeniería de procesos real.

Hemos hablado de los beneficios. ¿Qué hay de los inconvenientes?

Gorr: El [AI-based experimental models] tienden a no ser tan precisos como los modelos basados ​​en la física. Por supuesto, es por eso que haces muchas simulaciones y barridos de parámetros. Pero ese también es el beneficio de tener ese gemelo digital, donde puede tener eso en cuenta: no será tan preciso como ese modelo preciso que hemos desarrollado a lo largo de los años.

Tanto el diseño como la fabricación de chips requieren un sistema intensivo; tienes que considerar cada pequeña parte. Y eso puede ser realmente desafiante. Es un caso en el que puede tener modelos para predecir algo y diferentes partes, pero aún necesita unirlo todo.

Otra de las cosas en las que pensar también es que necesita los datos para construir los modelos. Tienes que incorporar datos de todo tipo de sensores diferentes y diferentes tipos de equipos, y eso aumenta el desafío.

¿Cómo pueden los ingenieros usar la IA para preparar y extraer mejor información del hardware o los datos de los sensores?

Gorr: Siempre pensamos en usar la IA para predecir algo o realizar alguna tarea de robot, pero puede usar la IA para crear patrones y seleccionar cosas que quizás no haya notado antes por su cuenta. Las personas usarán la IA cuando tengan datos de alta frecuencia provenientes de muchos sensores diferentes, y muchas veces es útil explorar el dominio de la frecuencia y cosas como la sincronización de datos o el remuestreo. Esos pueden ser realmente desafiantes si no está seguro de por dónde empezar.

Una de las cosas que diría es, use las herramientas que están disponibles. Hay una gran comunidad de personas que trabajan en estas cosas, y puedes encontrar muchos ejemplos. [of applications and techniques] en GitHub o MATLAB Central, donde las personas han compartido buenos ejemplos, incluso pequeñas aplicaciones que han creado. Creo que muchos de nosotros estamos enterrados en datos y simplemente no estamos seguros de qué hacer con ellos, así que definitivamente aproveche lo que ya existe en la comunidad. Puede explorar y ver lo que tiene sentido para usted, y aportar ese equilibrio entre el conocimiento del dominio y la información que obtiene de las herramientas y la IA.

¿Qué deben considerar los ingenieros y diseñadores cuando¿Estás usando IA para el diseño de chips?

Gorr: Piense en qué problemas está tratando de resolver o qué conocimientos podría esperar encontrar, y trate de ser claro al respecto. Considere todos los diferentes componentes, y documente y pruebe cada una de esas diferentes partes. Considere a todas las personas involucradas y explique y transfiera de una manera que sea sensata para todo el equipo.

¿Cómo cree que la IA afectará el trabajo de los diseñadores de chips?

Gorr: Va a liberar una gran cantidad de capital humano para tareas más avanzadas. Podemos usar IA para reducir el desperdicio, optimizar los materiales, optimizar el diseño, pero aún así tiene a ese ser humano involucrado cuando se trata de la toma de decisiones. Creo que es un gran ejemplo de personas y tecnología trabajando de la mano. También es una industria en la que todas las personas involucradas, incluso en la planta de fabricación, deben tener cierto nivel de comprensión de lo que está sucediendo, por lo que esta es una gran industria para el avance de la IA debido a cómo probamos las cosas y cómo pensamos en ellas antes de ponerlas. ellos en el chip.

¿Cómo imagina el futuro de la IA y el diseño de chips?

Gorr: Depende mucho de ese elemento humano: involucrar a las personas en el proceso y tener ese modelo interpretable. Podemos hacer muchas cosas con las minucias matemáticas del modelado, pero todo se reduce a cómo las personas lo usan, cómo todos en el proceso lo entienden y lo aplican. La comunicación y la participación de personas de todos los niveles de habilidad en el proceso serán realmente importantes. Veremos menos de esas predicciones superprecisas y más transparencia de información, intercambio y ese gemelo digital, no solo usando IA sino también usando nuestro conocimiento humano y todo el trabajo que muchas personas han hecho a lo largo de los años.