大数据满足芯片设计

芯片设计中处理的数据量增长显著在每个新节点,促使芯片制造商开始使用一些相同的概念、技术和算法用于数据中心公司,如谷歌,Facebook和通用电气。

虽然芯片设计的数据总量大小仍相对较小,而云operations-terabytes每年和pb和exabytes-it太多整理使用现有的设备和方法。

“你可以把许多大数据的方法来处理这个问题,但可能会有业务问题如果你这样做了,”莱昂斯多克说,副总统的EDA在IBM。他说EDA没有集中的体积必须推动这些技术,通常使问题变得更加严重,因为设计和制造之间的数据往往是不同的。

但是对于那些致力于设计,数量大幅增加的时候提取关键数据在设计流程的各个部分是至关重要的。首先,来自不同领域的数据如电、热历史和时间被孤立,首席执行官说Teklatech。“一个建模和分析通过假设和旖旎。因此multi-physics和跨域的影响尚未处理,甚至理解有效。”

第二,他说,SoC数据被分成可管理的块层次设计方法。在一个先进的SoC的数据量足够大,它不再适合在单个机器上。“其结果是,ICs被过度设计。方面的优势区域,功率和性能会落在桌子上。利用大数据的方法,可以为设计师利用cross-block /跨域问题的理解,并收回利润。”

维克Kulkarni的高级副总裁和总经理RTL电力业务单元有限元分析软件对此表示赞同。“典型的复杂性我们看到可能是200亿年晶体管SoC的RC网络与所有连接的点和1000亿个节点连接的节点,所以能源效率和电源管理和电源完整性已成为相当有趣的你怎么看利润。”

10纳米技术节点,他说。“10 nm 500毫伏电压供应,和典型的利润率是15%,假设75毫伏。设计师知道他们必须满足这一优势动态电压下降或功率预算或电源管理的数字,所以他们参与管理。75毫伏被分发给芯片-也许10%,15%在包,25%其他地方。他们将分配利润,尤其是小milli-voltage可用,因为一切都会有影响。所以chip-package-system故事方面变得更加重要物联网因为现在一个影响热像权力可以影响,会影响voltage-aware时机,会影响整个芯片的性能,包和系统。包可能会降低其性能如果你不做一个适当的开瓶的优化。你会得到信号反弹。你也会把问题从芯片级,和包和系统,随后。”

Kulkarni强调这是整个物联网的一个关键方面的设计工作,考虑到物联网传感器节点正在变得越来越复杂。“有更多的边缘处理发生在传感器节点,所以很多处理必须在完成任何垂直部分,-工业物联网4.0工业应用,自主车辆、医疗和无人驾驶飞机,等等。他们都需要高度节能的终端设备,所以大数据(概念)将允许假定场景,并允许工程团队离开保证金管理实现设计规范”。

这种方法基本上翻转的设计过程。而不是过度设计芯片,以确保它不会超过预算,起点是欠安的全设计。

“如果你做利润,人们倾向于做保险设计的电网,模具尺寸增加,然后PPA指标变得紊乱,”Kulkarni说。”,从整体的角度看,你从欠安的全设计开始,然后你做手术插入金属2通过,你可以得到5%至10%死。”

这不是一个简单的大数据传输方法,。正如Bjerregaard指出的那样,大数据的分析方法通常部署静态数据。例如,认为谷歌地图。它不包括假设分析功能来确定需要多长时间从A点到B点开车如果添加了一个新的道路从C, D,点或者从F E点升级到高速公路或者,在芯片设计的情况下,完全移除。

“这意味着当前已知的大数据的方法并不一定适合假设分析,更不用说自动优化,“Bjerregaard说。“启发式方法的例外是优化假设,基于设计师的知识,导致更好的设计性能。在这种背景下,大数据分析可以极大地帮助设计师设计的理解,从而更好的启发。”

Kulkarni仍然坚持认为,只有投入的概念到底是什么需要是不可能的如果设计方法是在箱子里,增加利润率。“开箱即用的思考是满足设计目标,而不是利润目标,这是不可能的,除非你有大数据,因为现在是可能做很多实验,很快,在大数据弹性计算架构,成为应用程序的各种功能。EMI成为应用。然后,因为基础设施存在,提取成为应用。你可以有地方和路由信息,所谓的异构信息,在此体系结构中吸收。您可以运行许多仿真和实验来看看会发生什么这个模具大小与其他模具的大小。”

虽然工程团队经常过多的最小化风险,它既浪费了大量的区域。应用到数以百万计的设备在一个传感器网络,其中包括图像处理、cpu和射频、死大小成本可以成为禁止。

技术的影响
还有其他的时候,用不同的方式理解数据是至关重要的。例如,考虑天线。热点创建EMI辐射在芯片内和周围的环境。

“在RTL有些时钟门控转换可以创建下游EMI事件,”Kulkarni说。“他们已经创建电压降事件。要做到这一点,你需要非常大,大数据在服务器农场,可以分析那些很快的影响,然后进行假设分析,是不可能在今天的使用模型。比喻,我们可以看看奥迪电动自行车,KTM此次将X-Bow跑车和谷歌张量处理单元看看在这些很常见。”

连接,数据分析的层次去理解很重要,他说。在最低级别是不言而喻的描述性分析,描述一个条件/失败。下一个预测分析,定义一个失败的状况。如果这一热点继续电源线或信号线,例如,它就会失败。但是创建可靠性模型有助于避免这种情况。分析堆栈的顶部是说明性的分析,这就需要大数据的关键告诉如何预防未来的任何设计和机器学习的失败。机器学习可以给你能力做成千上万的实验的相关性自动的经验。”

在芯片内的世界,大数据仍然是一个相对较新的概念,但这种情况正在改变。

集团产品营销主管苏珊•彼得森验证IP和内存模型节奏表示,该公司正在调查新的验证方法可能涉及大数据。“第一批我们看的内存域,我们开始思考,“我们要做的是功能验证根据规范,但实际上能奏效吗?如果它是根据规范但超级慢?“或”,如果它是根据规范但耗电吗?“那么你还没有真正见过你的设计目标。”

为此,她说今年晚些时候公司会披露一些“非常独特的产品——特别是在记忆领域,这将有助于一个工程师不仅找出如果有什么功能是正确的,但是如何平衡力量和性能,特别是在内存中,所以,你真的看整个画面不仅功能。”

她承认这将利用不同的引擎,使用先进的算法来分析大数据类型数据出来的引擎。

同时,弗兰克•Schirrmeister高级产品管理组主管系统&验证小组调子,认为大数据设计工具行业的高杠杆率很有趣,这当然是一个需要。但他补充说还有很多工作要做。“需要来自我们在技术创造更多的数据模拟比用户可以合理消化等等。我们有如此多的数据需要处理大数据的概念肯定。”

一个领域的发展可以在上下文中的机器学习调试,他说。“人们有这么多的数据,所以很多事情来比较,这是不可能的,看看所有的手动。如果,你有一个过程的情况是有限的。人们通常知道他们在寻找什么,但问题是,“他们不知道的东西是什么?我们正在寻找技术来帮助用户识别他们没有意识到的东西,像“你看着这个吗?‘或’,你知道,所有这些都是发生在同一时间吗?”这些都是类型的事情,我们正在寻找情报帮助用户评估到底发生了什么,并找出他们不能够找到的东西。只能够处理所有的数据你发现本身就是一个大问题,因为你不能存储,希望你找到。你需要更聪明。”

大数据的方法可以带来很多好东西。但一层大的数据结构实现的归结视图设计反过来支持增量分析和快速设计更新是必须充分利用这一潜力,Teklatech Bjerregaard得出结论。

有关的故事
卷积神经网络电力
认知计算对芯片设计意味着什么
策划下一个半导体路线图