新人工智能芯片要求建筑复杂性的一个极端的水平,使路由一个挑战。
随着我们继续狂轰滥炸AI机器learning-themed演示在行业会议上,一位同事则告诉我他生病了看大纲的人类大脑的头一个处理器。如果你是一个芯片架构师试图建立一个以数据为中心的体系结构芯片的机器学习和人工智能(而不是compute-centric芯片,你可能在你以前的生活架构约三四年前),你处理的架构复杂性的不合规则的territory-defining新逻辑和内存交互和验证复杂的逻辑功能,还没有见过在传统的cpu和gpu。一个简化的图形芯片内人头肯定能给你拉你的头发的冲动,具有讽刺意味的是让你的侧面轮廓看起来像的轮廓,头一个人工智能芯片内部。
相对而言,后端物理设计工程师的故事是不同的。这些新的花叶一样性能的一些挑战,节能,和时机closure-stay相同,但物理设计的某些方面的强度炸毁成倍增长。这些天的典型所谓处理器“机器学习”或“神经处理”有很多数据需要收集、存储、加工和传递。这包括设计大型注册银行周围的小块的逻辑。他们主要是大型存储缓冲区矩阵乘法操作,蓄能器,和大量的MAC(乘积累)单位,需要成千上万次,平面布置图工具带来额外的压力。
如果不定义这些重复的结构优化在正确的层次,他们可以占用大量的区域,更不用说增加abutment-related分层流动的复杂性。总的来说,逻辑元素比记忆宏这些类型的设计变化很大。有成百上千的记忆和宏必须手动放置或使用某种半自动过程通过试验和错误的不同组合。
本手册,迭代将安排工作压力在平面布置图上方面的设计,和其他方面,路由跟踪可用性是一个经常出现的挑战。一旦标准电池放置基于松弛,接近,pin-access路由成为一个巨大的问题。大多数大型数据公共汽车通过一个小区域,这可能会导致严重的交通拥堵而关闭的设计。路由器开始绕道,导致不必要的增加时,直接为开关电源的增加。此外,缺乏事前规划和销mis-alignment这些大巴士的通孔和中继器银行作业可能导致痛苦,手动ECOs定时关闭。
减轻其中的一些挑战,尽管增量,有一些创新的变化发生在物理实现工具来缓解疼痛。高级层次master-clone流帮助管理层次结构数组的重复的块。交通拥堵问题可以由连续拥堵监测管理在实现流在每一步与纠正措施。通过总线与很多努力前期前期规划,length-matching,或阻抗匹配,路由器可以创建长,清洁路线的公交车。小心预算在顶层可以避免关闭时间的最后一刻的惊喜,但更多的工作要做的。
坦率地说,这些挑战并不是物理设计工程师之前没见过的东西。等更多的设计经历完整的周期,更多的学习是发生在设计团队,CAD团队和EDA公司。这是类似于“培训”的数据集。这带来了一个非常深刻的问题更多的机器学习架构芯片带出来,建立一套培训可以学习从最初几个设计贴出的蛮力为推动性能和还原能力生成配方设计的下一代吗?
换句话说,就像高速处理器用于构建更快的处理器,可以基于机器学习的深度学习算法被用来建立更好的人工智能芯片更快和更大的权力有效吗?将一些颠覆性创新可以改变EDA工具的工作方式与设计房子。如果出现这种情况,我没有看到照片,芯片内部的人头会很快消失。事实上,图片将显示芯片的发展在人类头上会有一个一个人头芯片里面的照片!所有的影迷,欢迎来到矩阵!
|
|
|
|
|
|
|
|
|
|
留下一个回复