执行故障能力分析和优化在设计周期的早期,降低功耗的AI加速器。
人工智能(AI)加速器等解决人工智能工作负载神经网络至关重要。这些高性能并行计算机器的处理效率提供如此高数据量的需求。与人工智能起到越来越大的作用在我们的生活与消费设备如智能音箱等工业应用自动化工厂的能源效率也最高,我们考虑这些应用程序。在设计AI加速器例如,有机会来优化功耗在设计周期的早期。
事实上,人工智能硬件的功耗已经成为区域重要关心的考虑到对环境的影响。的计算资源需要生成一个一流的人工智能模型每3.4个月翻了一番OpenAI表示,平均而言,一个人工智能研发公司。马萨诸塞州立大学的研究人员,估计训练一个深度学习模型(尽管一个能源密集型)可以产生高达626155磅的二氧化碳的排放量——一个金额,5辆车可以排放的整个一生。一旦一个AI模型部署,甚至消耗更多的能量。人工智能硬件通常由大型数组和成千上万的瓷砖(处理元素),要求多亿大门,耗电的设计。降低功耗可以生成大量的好处,包括更低的成本、更好的电池寿命,最小化对环境的影响。
一个关键的注意与权力相关的挑战故障能力。在电子设计中,如果信号故障发生时间的路径内组合电路不平衡,导致竞态条件。反过来,产生一个不必要的信号跃迁引起额外的动态功率。故障的数量成正比的数量操作执行的SoC (SoC)。当你考虑到大量的操作当一个人工智能算法在硬件上运行,你可以理解为什么故障让这样一个对整体能耗的影响(在许多情况下,故障电源可以使用多达40%的总功率芯片)。更重要的是,故障也可以触发机电(EM)和红外(即使在电网)下降的问题。
鉴于AI的对称和复制架构硬件,这是非常重要的找到最好的微架构在设计周期的早期故障。现在,一般来说,故障电力门电路级模拟时计算时间延迟available-very在流。在这个阶段,太晚了执行微架构的变化,考虑故障电源功率预算的一部分在实现,或执行特定的工程变更订单(ECOs),以减少故障的力量。更好的方法是确定最优微架构的系统级或RTL级故障。通过减少权力高度复制的瓷砖,可以生成高节能芯片级。
找出故障并确定额外的电力消耗,设计师需要特别注意细胞延迟和线延迟。幸运的是,有故障分析和优化工具,提供准确的延迟信息,可以捕获这些故障和测量造成的电力消耗额外的交换活动。例如,实现工具可以使用所产生的额外的切换故障做出更好的决策,抑制这些故障或减少它们对埃米尔的影响。
在其PrimePower产品家族Synopsys对此提供了一个端到端解决方案,可以运行在SoC /瓷砖水平在一个真正的软件框架进行故障分析从RTL门力量。PrimePower RTL故障计算和报告每层次结构,使高故障实例的识别。使用该工具,设计师可以执行“如果?“减少故障分析权力指向RTL源代码行代码生成最高水平的glitch-a人工智能和机器学习硬件的有用功能。
延迟——/ glitch-aware向量生成使用RTL仿真通过PrimePower解决方案是可用的。产品可以生成一个赛义夫故障注释(搞笑和TG)和delay-aware赛义夫从RTL模拟在任何给定的网络列表(CTS合成输出,输出,place-and-route输出,等等)。赛义夫或FSDB可以使用在实现或生态glitch-aware优化。此外,PrimePower门电路级力量分析和金色的力量结果可以使用0延迟执行故障电力分析门电路级模拟或timing-aware模拟密切关联香料电力数字。
总之,解决故障电源芯片设计者提供一种人工智能硬件的功耗更低。因此,他们可以帮助减轻对环境的影响这些计算密集型的机器正在增加的角色在我们的日常应用。
|
|
|
|
|
|
|
|
|
留下一个回复