中文 英语

提高芯片的效率、可靠性和适应性

弗劳恩霍夫IIS EAS的地图计划主任下一代的电子产品。

受欢迎程度

主任彼得·施耐德弗劳恩霍夫研究所集成电路的自适应系统分部工程,坐下来与半导体工程谈论新的模型和方法,以确保系统的完整性和响应能力,以及如何可以在一个给定的功率分配和在不同的速度。以下是摘录的谈话。

SE:今天你聚焦你的研究?

弗劳恩霍夫研究所主任彼得•施耐德集成电路的自适应系统分部工程 施奈德:一个大的主题是人工智能。我们正在建设一个实验室测试基于ai系统的原型,从获取数据在真实的环境中。我们正在创造现实的设置在汽车、机器人、自动化和建筑。然后我们这个数据和使用它在一个虚拟的世界。所以我们构建模型,由模型生成训练数据,有更好的报道的数据需要人工智能训练。然后,在电子方面,我们正在建设我们自己的设备。从那里,我们做快速原型和测试系统在现实世界中。所以你有完整的周期,从数据采集到虚拟开发过程和测试之后。

SE:汽车和机器人,你需要大量的快速处理器无论你收集数据,然后你需要移动数据的集中处理。你遇到什么样的挑战?

施奈德:的主要挑战处理传感器数据的优势是低延迟。在机器人领域,如果你有安全功能,这些功能你需要专用的响应时间。所以你需要数据处理的优势,包括数据融合、特征提取和推理的过程。的你可以在实际环境中,因为有限的资源,这就是为什么这些开发过程是如此重要。你有当地的传感器数据,您需要确定系统的响应。你可以在本地处理数据,或者你可以把它放到服务器基础设施。但是你有通信开销传输数据时,你需要一个最佳的解决方案,包括整个系统上下文。有不同的基本构建块。数据处理是一个活动。我们有其他的努力,开发低延迟无线通信协议,共享相同的目标。 If you want a quick response, you need low latency in the entire data processing loop.

SE:这也可以归结为准确度和精密度,对吧?

施奈德:是的,这都是资源。我们有一个人工智能和机器学习算法,所以你可以用四位或8位做处理。也许与四位,但你必须弄清楚什么是正确的解决方案的应用程序上下文,这是一个设计问题。我们获得的数据,把它放到一个服务器基础设施,然后我们使用所有这些框架。所以你有一个算法,很好,然后你从服务器转换算法。你可以减少网络拓扑结构,重量,你的数据的比特数。这取决于应用程序。这就是为什么它是如此重要,我们有真实的设置生成所有真实的数据。


图1:向更好的人工智能。来源:弗劳恩霍夫IIS东亚峰会

SE:有些数据是至关重要的,有些不是。你如何区分?这里有很多移动的部分。

施奈德:远程,我们在无线通信领域工作合作设计应用程序和通信系统为一个特定的应用程序或服务的质量。假设一个机器人被用于某种处理流程。你可以控制无线通信,如果你有在无线通信干扰,你可以去一个故障安全模式或停止系统或减少的速度。如果你减少装卸作业的速度,它仍然可以继续。如果无线通信的进步,它可以加速恢复。可以使用在工业自动化控制过程。这是一个新方法。通常情况下,如果有任何问题在无线通信系统中,它停止,一个工人必须弄清楚发生了什么,然后再次按下按钮才能前进。与自适应系统更加灵活,防止生产停工。

这是SE:有多远?

施奈德:这仍然是一个远离实际的使用方法在生产环境中,但是我们致力于一个项目,我们有很好的结果。

SE:你提到了更好的覆盖在数据空间。这意味着什么呢?

施奈德:当你训练的照片之类的,有巨大的训练集。所以你可以有一只猫或一只狗的照片之类的,但是如果你去工业自动化和你处理维护问题或问题在生产过程中,你正在与罕见的事件。我有很多的数据说,生产过程完全运行,然后很少事件相关的一个错误。通常使用这种类型的数据,你不能训练教练或机器学习算法很好。你需要的是良好的好与坏之间的比例,而你没有。你收集所有这些罕见的事件,但这需要很长时间,你还没有一个完整的画面。这就是为什么我们提出一个方法,你有一个名义生产过程的模型。你可以用大量数据验证它。我们有错误情况或错误的行为,您可以添加失败模型该模型和生成数据或错误的数据集。提供更好的覆盖整个数据空间。

比数字双胞胎SE:这是不同的,这基本上是一个生活模式,对吧?问题是需要的能量保持这些运行和最新的。

施奈德:是的,这是一个大问题。另外,你需要一个方法来解决模型的准确性和处理的复杂性计算在正确的水平。这是一个平衡。在过去,我们做了很多工作在MEMS-based系统的建模,和测量的行为复杂的MEMS结构如陀螺。通常情况下,电子产品的设计,你只需要特定方面的这种复杂的微机电结构的行为。我们应用我们的模型降阶方法,可以减少自由度。反过来,大大降低了计算复杂性。这可能取决于你是否有振动的非线性和线性行为特征,为例。

SE:你的研究测试会在哪里?

施奈德:如果你有一个等级系统,传感器,执行器,和环境。您可以测试在不同的水平。你可以做wafer-level测试芯片,封装测试的3 d集成传感器节点,和你可以做测试的系统环境。传感器,我们使用分层的测试方法。我们可以从真实环境测试数据。这对传感器的影响,导致电信号的电子组件。我们要做的就是将这些测试用例系统上下文成电子上下文。在我们的实验室中,我们能做的老化降解测量。而在另一边的实验室我们有一辆车,我们可以测试典型汽车周期和测量环境条件的影响在一个ECU或其他系统。然后我们翻译到晶圆级别,我们可以看看环境数据或温度的影响。

SE:所以你看四维数据- x, y,和z,随着时间的推移?

施奈德:是的。我们不能解决所有问题,但这是我们的愿景。

SE:把这所有的角度来看,是目标更好的测试,或开发和理解数据模型?

施奈德:我们追求知识之间的一座桥梁,可以封装在数据模型,结合。之间有强烈的联系数据驱动模型和物理模型。这是非常重要的。传统上,我们主要集中在模型,但我们做了很多开发和收集数据,做数据分析。最好的办法是将两者结合起来。

SE:挑战是,有这么多的数据,和大量的运动,从而增加变量的数量。你怎么解决呢?

施奈德:唯一的方法是抽象的从一个特定的层。你将无法分析所有数据在60 nm芯片在功能层面上的汽车系统。你需要电的一个抽象函数,然后你需要放大它。当然,您必须验证这个高层细节的行为是一个很好的表示,但这是方法论。

SE:基本上覆盖模型,对吗?

施奈德:是的,你需要一个统一的视图的测试用例。我们正在做虚拟系统开发、处理需求工程。在顶部,你有需求水平,然后你去一步一步的实现体系结构或设计决策。如果你有一致的视图在所有这些层,你定义的需求,然后生成测试用例。

SE:所以你建模的模型?

施奈德:是的。UVM是我们使用的方法之一,它提供了一个良好的基础测试和一个一致的视图在所有的水平。



留下一个回复


(注意:这个名字会显示公开)

Baidu