2021年5预测人工智能创新

由阿伦Venkatachar和Stelios Diamantidis

人工智能(AI)已成为最重要的一个口号的技术。once-utopian远景发展的机器可以像人类一样思考和行动变得更加现实的工程创新使过程所需的性能和解释从前不可想象的大量数据高效、实用的电力消费水平(但仍数量级高于人类的大脑)。

我们已经看到人工智能应用程序有意义的方式影响我们的生活,从数据中心运行的系统通信、交通、银行、医疗,到我们的客厅,一个简单的语音命令针对家庭娱乐设备可以产生一个连贯的反应。

但如果AI是棒球比赛,我们可能会说我们仍然处于早期的局。已经取得了很大进展,但事实上,创新推出了多深的和复杂的实现人工智能的挑战。我们继续剥洋葱。很难有大的科技公司(或小科技公司)没有AI显著的举措,他们都迅速探索令人难以置信的机会,他们可以应用人工智能。AI转换显然是在进步在数字经济的方方面面,我们知道仍然有许多工作要做利用更多的潜力从机器学习、神经网络、人工智能加速器,和越来越多的大型数据集公司工作。

Synopsys对此积极从事许多人工智能芯片设计项目与一些世界领先的企业,和许多先锋,仍然不得而知。我们的工作与企业像IBM这样的,我们合作如何实现1000 x更好的性能在人工智能芯片在未来十年,帮助我们改进设计工具、方法、和IP使至关重要的硅电力未来的人工智能系统。

我们的经验和客户交互给我们一个好的视角AI走向。因为这是本赛季当人们喜欢预测未来一年,我们想要分享一些我们的2021年AI的主题,主要从芯片级的观点。

人工智能硬件时代Architecture-aware设计工具

人工智能时代再次强调发展创新的硬件架构,都是空前复杂,大,虽然没有忘记每瓦特性能使实际应用至关重要。AI“食谱”包含了一个新的计算模式,特定领域的架构,专门为人工智能和可配置的硅设备设计和优化计算。它还需要广泛的专业知识在算法、软件、系统集成和应用程序。

很明显,人工智能芯片发展需要重新部署的端到端硬件开发方法以增殖。我们看到现有工具变得越来越architecture-aware,新功能和方法极大地加速实现新的计算模式。这些包括:

• 解决方案,解决整个验证连续体,包括原型和模拟的使用。软件验证技术支持详细的改变规则驱动的逻辑验证,正式的验证,详细的功率和时间分析也将更多地使用。
• 设计实现的解决方案,与设计师的需求在更高层次的抽象与今天的设计流相比,允许一个准确的估计,power-performance-area (PPA)建筑勘探和高度趋同路径通过最终验收后生产。
• 硅IP将成为更重要的人工智能时代的设计团队希望利用经过验证的设计元素来帮助处理,人工智能芯片的内存和实时连接需求。
• 从制造业和收益率的角度来看,新材料的使用,gate-all-around 3 d堆叠结构,和EUV技术需要新方法。TCAD工具,面具合成,收紧与物理实现的集成流都是我们看到的领域一个关键的角色在帮助芯片公司优化人工智能芯片如何生产。

与过去的CPU, GPU-driven架构,人工智能芯片将会看到一些变革性的集成电路设计,我们所目睹的变化。

AI进入芯片设计的主流

Synopsys对此已经投资了好几年的创新新方法使用AI EDA产品和知识产权。之间有一个良好的协同AI和EDA是在家附近鉴于我们长期应用许多统计和启发式方法。

我们希望看到这一趋势扩大研究和学习人工智能可以应用在更多的领域的集成电路设计过程。在一般情况下,我们看到了巨大的潜力,利用其效率设计,验证,和制造领域有以下特点:

1. 如果任何类型的设计任务涉及很多启发式,我们相信可以有效地利用人工智能。
2. 当有大量的手工重复的任务,比如在调试,AI的效率可以节省时间。
3. 在任何设计步骤有太多数据和设计人员不知道如何处理它,AI可以减少搜索空间,使其有效。
4. 人工智能可以帮助提高效率,用更少的钱做更多的事。验证是一个很好的例子。大多数芯片设计项目多达30%的时间花在验证,主要运行相同的测试。人工智能可以帮助工具只看到更改和验证关注的部分设计,显著减少计算时间,提供更快的结果。

Synopsys对此介绍了DSO。人工智能在2020年。DSO代表设计空间优化,EDA行业的第一个产品进军将人工智能应用于非常复杂的设计任务,在这种情况下搜索的巨大结合空间设计和硅技术选择识别PPA的最优组合。这个创新平台使用人工智能的力量来摄取大型数据流生成的设计工具,如place-and-route和地板规划探索搜索空间。DSO。人工智能应用强化学习技术观察一个设计的发展随着时间的推移和调整设计的选择,技术参数,和工作流程,指导勘探过程实现多维优化目标。DeepMind等公司已经成功地利用强化学习提供惊人的解决方案无法解决的问题,从击败世界冠军(2016年)解决蛋白质折叠的挑战今年早些时候。

2020年,早期的采用者开始使用DSO。人工智能在生产。在许多设计项目,DSO。人工智能已经能够确定更好的设计解决方案的一小部分时间通常需要这样复杂的任务。2021年这项技术成为主流时,我们开始看到一个生产力的飞跃整个设计团队,只能与EDA的早期相比,和破坏性的RTL综合的介绍。

2020年10月,DSO。人工智能被授予ASPENCORE“创新产品”奖在电子产品。

AI将更可能使生产力飞跃在设计师和设计团队效率;我们认为这是一个创新的主要领域在EDA。

使人工智能更值得信赖

信任的人工智能是一个术语我们听到越来越多,它有广泛的影响。我们将会看到更多的关注是人工智能发展的各个方面。

首先是数据的安全穿越AI的旅程,从收集处理和存储。公司需要一个可信链在整个工作流程。这个地方要求计算环境的各个方面——硬件、软件,连接和数据加密。AI地方溢价不仅数量的数据(这是至关重要的),而且质量——它是从哪里来的,数据可靠,干净,和它是如何得到这是要去哪里?我们相信这将是一个关注的焦点在未来几年随着数据的价值增加。

相关的安全是安全。我们需要确保一个AI-enabled系统将远远超过最小“比人类”能力,降低风险给人类。尤其如此,我们更多地依赖于人工智能系统自动运输机器人和工业自动化。更多,更健壮,数据集训练机器学习算法将有助于在这个地区。我们可以捕捉更多的信息,更将成为相关的数据。模型还可以经过训练,跑得更快,这地址至关重要的AI系统延迟问题提供最快的响应时间。我们看到,我们继续是一个主要的要求推进AI。

最后,与信任是可靠性。系统必须能够准确和快速的做决定在任何条件下操作,通常在实时(自主导航,例如,计算反应延迟限制20 ms)。这引入了新的水平的测试环境极端耐用性以及安全数据方面的实践。

从数据中心到我们的手,到边缘

许多公司已经开发出专用的平台运行大量的数据。主区域的初步的成功已经在强大的高性能计算系统和数据中心。

但是我们看到越来越多的人工智能被利用的迹象更强大的和昂贵的机器,包括那些每天直接联系我们。例子包括我们的移动设备和家庭娱乐系统,以及工业设置要求灵活AI-enriched功能。这些“智能边缘”系统需要不同的解决方案比芯片为数据中心设计的。首先,开发成本必须要少得多。他们往往是非常专业的特定功能。我们预测会有很多实验技术和商业模式探索,公司寻求更多的方法来部署人工智能。

从头开发特定的应用程序没有所需的巨额投资的高度复杂的集成电路基于领先的过程是可能的。这是我们的广泛的知识产权组合的重要组成部分,允许设计师利用效率的证明功能块和专注于他们的独特的增值。我们的DesignWare IP使专业处理能力、高带宽内存吞吐量和可靠的高性能连接要求在人工智能芯片应用领域包括移动物联网,汽车、数据中心、数字家庭。我们认为这是一个重要的方法来帮助扩散AI更加广泛和看到它的影响在很多方面,比如把更多的人没有能力更大的芯片巨头的资产。

从窄到广泛的人工智能

人工智能初步证明自己在一些非常具体的领域。一般来说,它有助于危机大数据与高性能计算机。它获得了验收等领域的预见性维护应用程序,健康科学的研究中,复杂的金融用例,甚至在高度复杂的任务,比如芯片设计技术,为我们的应用程序DSO的人工智能。人工智能所示。AI的有效性的定义在这些空间是广泛的结果数据集开发、一个昂贵和耗时的命题,并不是所有的公司或市场所能承受的极限了。

我们相信,专注于狭窄的AI会持续一段时间公司试图微调业务模式,可以支持人工智能在更广泛的市场。有功课要学习从这个初始波采用人工智能主要是大公司,我们希望看到一个民主化的发生。这是不可避免的,随着越来越多的通用算法自然语言处理等技术和实现人脸检测成为更好、更便宜,我们会看到更广泛的人工智能扩散,尤其是在更多的消费品。

总之,我们看好艾城的持续扩张到各种应用程序和产品。AI创新者面临的挑战是新的,重要的,需要大量的实验。我们相信,有了正确的技术、专业和数据,我们可以在继续扮演重要角色让AI有意义的我们生活的一部分。