在不连续上下了很大的赌注

沃利莱茵河总裁兼首席执行官导师,西门子业务坐下来和半导体工程讨论芯片行业蓬勃发展,驾驶它,会持续多久,什么变化在EDA和芯片架构。以下是摘录的谈话。

SE: EDA和半导体行业现在做得很好。推动这种增长是什么?

莱茵:这真的是一个了不起的时期。如果你看一下半导体行业,这是一个每年增长3%以来几乎世纪之交。在2015年和2016年,它增长了不到0.5%。然而,在2017年突然增长了22%。这是一个大的飞跃。它看起来像巨大的增长在2018年。所有的经过EDA。在半导体方面,几件事情一起来。内存短缺导致价格增加内存,多是在18个月前的2.5倍。所以虽然内存的单位体积增长,价格显示更大的增加。但有趣的部分是整个动态的增长发生因为什么是设计,什么是用于。有丰富的新创业公司做人工智能的新流程。这是帮助EDA行业。有无人驾驶的汽车繁荣和电动汽车,和所有的这些公司都做电子设计。此外,汽车工业是购买更多的半导体。什么帮助半导体行业通过EDA。

图片来源:保罗·科恩/ ESD联盟

SE:公司的性质变化。在过去,我们在处理芯片公司。现在我们在处理系统的公司。这是刚刚开始将更多的芯片公司,还是一个转变是由更复杂的系统级?

莱茵:我们经历一波。我们大约每20年。在1980年代,每一个电脑公司开始建立一个晶圆工厂,因为他们认为他们可以用它来区分。然后回去。这次有点不同。信息技术世界是非常关注的信息收集、处理和优化各种各样的东西。,在许多情况下,他们想自己设计芯片。一般系统公司发现他们可以分化和降低成本通过自己的芯片。世界的苹果已经从十年前微不足道铸造厂购买。现在购买总额的13%铸造系统公司。 They have become designers and users of semiconductors. That’s a big transition. The sales of foundries to fabless semiconductor companies has stayed at a fairly flat 70%.

SE:三年前大故事是EDA和芯片公司的数量减少。有改变吗?我们将会看到一段创业以及整合?

莱茵:启动块是最惊人的统计数据。后下降在过去的15年里的大部分时间里,在风投的钱王智立初创公司在2017年是9亿美元。在2017年第四季度,近5亿美元。如果你看看他们的设计,超过一半是各种人工智能处理器或区块链处理器或新处理器架构。随着时间的推移将会有洗牌,当然,但它可能不是抖出一段时间,因为大多数的这些专业的应用程序。在系统公司方面也是如此。我不明白的时候苹果将回到购买通用应用程序处理器甚至翻ASIC设计公司的设计过程。

SE:一个收购有很多注意的是西门子收购的导师图形。如何了?

莱茵:你想当宣布2016年11月,客户会担心会发生什么以及如何将改变策略。那一年是创纪录的一年。我们已经完成了2017,这是更大的。这是一个历史记录,和我们的大多数企业设置历史记录。西门子宣布收购时,他们说他们在做投资。他们已经真正的词。在研发方面的投资让我们发展我们的员工从15%降至35%。我们的营业额已经非常接近历史水平。但是我们的收购加速。我们做更多的收购以来我们一直比我们所做的一部分,西门子在任何自2002年以来,和四分之三的集成电路设计。 We acquired Austemper, Sarokal for 5G test,Solido模拟集成电路和机器学习,Infolytica面向系统的建模。很高兴成为一个组织的一部分,可以这样做。我们有一个悠久的历史在竞购战失去收购。我们不需要这样做了。我们看到的机会,我们现在有机会去追求它。

SE:现在你已经有了一个胖簿,你是做什么工作的,你做不到吗?这允许您去深入系统的世界?

莱茵:我们谈了很多关于芯片,但导师的很大一部分收入来自系统设计,。回到一开始的EDA行业在1980年代早期。Daisy-Mentor-Valid战争比IC公司更多关于系统公司。系统公司标准化决策。汽车和军事/航空公司想要一个普通的基础设施、常用工具和公共库。这些公司那些军事/航空航天,国防和automotive-made这些决定。这一直是我们收入的三分之一。它包括所有类型的系统设计、布线、计算流体动力学、热分析和印刷电路板。今天的新汽车工业的繁荣,和所有的触角在设计复杂的电子系统。需要系统工具除了集成电路设计工具。 And there is a need for system design tools that can be well integrated into the rest of the system. You can’t design the wiring for a car in two dimensions. You have to have the mechanical design data because it’s a three-dimensional problem. You have to know the wire bundle will fit through the hole in the door. Wiring is an extremely complex place-and-route problem with thousands of constraints.

SE:这是半导体的引擎,但在的时候我们需要更多的处理能力来处理更多的数据,比例正在放缓。没有相同的性能改进在每个新节点,而且它进一步下降,5和3 nm。你如何看待改变吗?

莱茵:随着戈登·摩尔说,摩尔定律是一个指数和指数是永远的。我们已经知道了很长一段时间。我们一直能够执行。但摩尔定律是由特征尺寸和圆片直径。这就是大部分的成本降低来自历史。展望未来,这将是其他变量,使我们能够沿着曲线。每个晶体管的成本是一个学习的过程,这将永远在这里。快闪记忆体增长到128层垂直与最小特征尺寸的减少。每个晶体管,降低了成本。所有这些将会继续,我们将继续下降,学习曲线。

芯片架构SE:这是什么意思?

莱茵:它将在三维堆积和各种不同的方法来为更低的成本提供了更多的功能。这将继续。

SE:发生在神经形态计算和量子计算等其他体系结构,我们从来没有认真考虑过吗?

莱茵:这是有趣的部分。冯诺依曼体系结构,与我们在计算机行业的历史的大部分时间里,很擅长计算。但是有些事情不是很有效,如模式识别。和模式识别可以图形成像,但它也是声音和气味。模式识别非常有效地使用你的大脑不会很多周期。如果一个朋友打电话给你的电话,你可以告诉是谁在最初的几毫秒。电脑是远不及,高效。你用不同的方式来做事情。一种方法是多做每循环。在功率效率,计算机是介于6和9个数量级少的能源效率比人脑的计算,大脑确实好。 And so it means new architectures will be accepted. They will have机器学习在大多数情况下,因为你的大脑已经从经验中学习的能力。我访问过20或更多的公司做自己的专用人工智能处理器。你会看到他们越来越在特定的应用程序,他们将补充传统的冯诺依曼体系结构。神经形态计算将成为主流,一大块在下一步在计算效率和减少成本和移动和连接的环境中做事。今天我们要去一个大服务器农场。

SE:我们如何促进大规模定制设计方法意味着什么?

莱茵:定制是很好的,因为它意味着许多定制设计和定制设计工具设计和验证。Makimoto用来谈论一波又一波的标准化和定制。我们似乎进入另一个定制波。这些事情持续10到15年。然后标准化接管的效率。对EDA这是我们做的,它会成长的客户基础。每年设计的数量开始增加。这不仅仅是大公司。并不是所有的设计都是在7海里。有设计中所做的一系列节点,而且有方法的人获得的钱一起做那些7纳米设计。

SE:我们今天将EDA工具足够了,还是会有一些不连续出现?

莱茵:这是我们的一个主要的不连续性。这些每几十年才出现。这是一个抽象概念。我记得当我们从原理图捕获RTL。这是困难的。新大学毕业生和缺乏经验的工程师在一夜之间跳上高密度脂蛋白和开始做他们的设计。30多岁的人有10到15年了,但是他们没有把它尽快。但是对于那些超过40岁,很多人从来没有过渡。我们已经很长一段时间的抽象级别。基本上所有的今天是在RTL完成。随着复杂性的增加,你必须添加抽象。我们就去高级合成。datapath公司和所有这些人工智能算法将使用高级设计在设计中实现。有产品在市场上自1993年以来,改变的是整个基础设施是现在。你可以做设计、verification-everything在C和c++的水平。现在的问题是谁将使用它,它似乎就像最后的转变。这是新的大学毕业生,谷歌和facebook和亚马逊女战士。这些人已经收养了它。数据处理的核心功能是用C编写的,合成和验证在一个较高的水平。他们看着替代品和功耗,他们做权衡,性能和区域的下一个抽象层次。你会想要一个混合,因此您将使用适当的抽象为你在做什么。 The control logic will tend to stay where it is. But RTL designers are finding that by going to C they can do a lot of the tradeoffs in the design early. This will be the next abstraction wave.

SE:为什么这个这么长时间在硬件?在软件中,有语言,像Python,提高抽象层次。硬件是更加复杂?

莱茵:有两个原因。一个是整个基础设施,和设计基础设施是相当大的。你有知识产权、图书馆和经验。有经验的人不想重新开始。你可以语言从一台计算机转移到另一个比你可以得到一个更容易编写软件设计团队将其整个基础设施,重建它的人民,并将其经验基础。另一部分是没人喜欢改变。他们足够忙没有学习一个全新的方法。在EDA的想法是,如果我可以做一个设计在老方法,我将这样做。最终你得到的复杂性增长太多,或权力分析太大,你必须做出改变。但抽象变化更困难比添加分析您的流或分析电迁移。

SE:如何用在人工智能和机器学习EDA吗?

莱茵:有很多,也许几百个项目行业使用机器学习来提高EDA工具的性能。我们让他们在公司。Solido使用机器学习得到99%的信息来自一组显著较小的模拟。所以你不需要数以百万计的模拟来描述一个特定的库或IP。储蓄来自算法改善自己。随着时间的推移Calibre看着大型数据库。分辨率提高,整个规则集应用于设计,然后你看看最优方法开发的实际代码设置分辨率。所有的EDA公司工作。

SE:人工智能和机器学习,你得到一个分布而不是一个固定的答案。如果你工作在一个或两个纳米,这是足够好吗?实际上,当设备学习一些独特吗?

莱茵:如果我验证这个产品我卖掉它,改变它的行为,它不再是验证。我们该怎么做呢?汽车制造商做什么?这些问题必须解决,他们正在解决。我们介绍了一个产品叫Tessent任务模式,可以让你设计到集成电路动态测试任何子系统的能力JTAG兼容。当你的芯片不做任何事,这是自我本身对系统制造商已经建立了一套标准,这样就可以有一个动态的一生自测。你会看到相同的发展随着时间的推移你会得到越来越多的神经网络和机器学习应用到芯片,董事会和系统。然后你会得到更多的方法来确认他们没有自行修改成一个空间可以是危险的或非功能性。