人工智能是具有挑战性的整个设计生态系统以新的方式。
没有比这更有“大创新”——一个需求移动性能的针,权力和area-cost (PPAC)在很大程度上,是当前人工智能和机器学习的时代(ML)。总结如为什么人工智能工作负载需要新的计算架构,人工智能工作负载需要新的架构来处理数据。这些工作负载也呼吁异构计算和集成方案,压力不同PPAC数据的价值。
有广泛共识,人工智能是一个最令人兴奋的和普遍的词形变化发生在我们的一生。虽然许多创新帮助解决挑战在PC和移动时代,AI挑战整个设计生态系统——从材料系统,我们没有经历过。
同时,几乎线性的性能优势Dennard和摩尔定律扩展慢了下来。两年周期为新技术的节点不再发生。进一步的经济过渡到新技术节点变得高昂一些芯片制造商。然而,人工智能上的推力,毫升和深度学习(DL)的不断发展,日新月异。
我的重点不是摩尔定律的放缓,而是创新将继续满足这些新工作负载的计算要求。像以前一样,在看似不可能的路口时,一个创新一直保存。例如,当缩放、栅氧化层厚度成为障碍high-k金属门技术出现。或模式或光刻碰壁时,双四模式和EUV变成了现实。
今天,在设计和架构方面,创新继续更快、更有效的方法来处理,移动和存储数据。EDA和IP技术发展突飞猛进。EDA工具管理生产更大、更快、更高效的设计将日益复杂的设计规则。IP的增长已经成为了一种现象,生产线公司外包更大的尺寸和更多的IP块。IP供应商继续提供silicon-proven IP更新更好的版本的协议规范速度和更新的技术节点。
问题是:将这些个体的发展架构,设计、EDA、IP、技术和异构集成方案充分满足新的AI的要求计算工作负载?会有足够的这些个人的进步来满足越来越多的新设计挑战?将创新加快匹配新的工作负载需求的速度或将必然迫使下一个重大的发明,一个基本将针在很大程度上?如果是这样,来自哪里?
无论如何,我认为以下几点:
正如我的同事指出在最近的一次博客,先进的技术节点需要启用的新材料综合材料解决方案。例如,当前材料用于联系和较低的连接创建一个瓶颈在铸造7纳米晶体管的性能及以下技术节点,因为他们很难规模由于所需的衬层的总厚度,障碍和粘合层。新材料和材料集成方案所需的高级节点等新的记忆也RRAM MRAM。
EDA挑战继续要求做好准备与设计工具,参考流和IP的最新技术。芯片功能复杂性的增加,专业公司使用更大块的IP。然而,鉴于设计新节点的升级成本,许多公司选择向更成熟的节点设计。排位赛验证的责任和功能丰富的IP在新旧节点IP提供商。异构集成方案使用3 d包装和multi-chip模块(MCM)看到更新的应用程序逻辑和记忆与多样化的解决方案。
然而,这些进步是一个杠杆,使人工智能设计。相反,关键是更好更快的连接从材料系统(见下图)。
的概念设计技术共同或DTCO已经存在了许多年。现在不同的是需要快速学习周期从整合新材料,将所需PPAC旋钮或使可能的最终结构RRAM或MRAM等新的记忆。这需要更好的连接层,通过不同的模拟速度之间材料筛选和紧密的标定仿真和物理概念验证层。
总之,没有一个旋钮将解锁生态系统的生产力,使人工智能设计。相反,它是创新的结合新材料、设备和记忆;但最重要的是,它需要加快连接通过不同层的材料系统。
|
|
|
|
|
|
|
|
|
|
留下一个回复