低功率仍然领先,但能源成为未来的重点

在2021年及以后,芯片应用于智能手机、数码电器、和几乎所有主要的应用程序将需要节食。

随着数据量的继续膨胀,产生更多的处理器到处都是添加筛选数据来确定什么是有用的,什么不是,如何分配它。使用所有的力量,并不是全部一样有效。结果是,芯片制造商现在开始关注如何瘦身这些设备,让他们更加节能,一项巨大的事业,将消耗的大部分半导体行业在可预见的未来。简单来说,力量正成为最重要的设计指标随着越来越多的芯片开发,提高能源效率是最大的旋钮。

“这包括芯片我们就不会想到过去,如用于汽车和从娱乐、数字驾驶舱和传感器融合自主驾驶,”汤姆Wong表示,营销主管设计IP节奏。“这“饮食”可以通过集成整合芯片的数量,或通过移动到下一个更高级的过程几何和得到任何好处你可以通过摩尔多。”

关注权力越来越自主车辆尤为重要,必须更密集的计算需求,管理更多的传感器,通常与固定能源预算,影响范围一辆车可以开车。

“的许多系统,使用机械电气化,和很多电子计算发生所有的时间系统,总是在需求,”黄说。“数字驾驶舱需要许多集成芯片,都需要能量来管理更高的显示分辨率较低,更多的系统,如e-mirror电气化,客舱司机监控,和“sentry-mode”安全,等。一种e-mirror需要更多的比你想象的功耗相比传统的镜子。和在线旅行社软件更新需要一个无线或移动连接,也消耗电力。这些系统正变得无处不在,他们需要低功耗。尤其是电动汽车,保护在任何辅助系统是至关重要的,因为你有一个固定的电池容量,其主要功能是提供能量来驱动汽车。你不能交流,娱乐,e-mirror,等等,要消耗大量的能量,因为它是一个固定的商品,因此低功耗是至关重要的。你可以增加能量的能力通过添加更多的电池,但在大约100美元每千瓦时,成本可以很快升级。”

现在,权力是引爆性能最关键的设计指标。“人们想要的设计“诱导多能性”和soc节能,和他们想要的工具方法以力量为主要约束,作为主要的指标,然后做分析,”卡齐艾哈迈德说,校长PowerPro产品经理导师,西门子业务。“这可能是一个综合工具。它甚至可以是一个下游的工具,就像一个不具有的工具。他们想要的工具。”

产品管理总监Rob Knoth在数字和验收小组节奏同意有一个加速度的权力在所有产品变得越来越重要。“权力显然是最重要的。不管什么客户我说,最终的应用程序是什么。权力是越来越被用于定义的规范,或以某种方式限制。这是一个伟大的事情,因为它结合在一起的那么多我们都致力于在整个半导体生态系统——汇集功能验证与实现,签字,优化算法,现在,机器学习,帮助把它另一英里。”

能源和电力
与关注的电力能源越来越感兴趣。最终目的是节能设计,更可以用更少的能源。“工程团队想看设计,不仅从权力的角度,而是从维度的能量本身,“导师的艾哈迈德说。“他们想明白的能量被消耗,以及如何有效消费。”

有一个方法。“首先,如果你只看能力,比方说设计师力量分析,和IPs消散一定量的权力,”他说。“有峰值功率,平均功率。你看情节的力量和在不同的性能和功能模式下就会有不同的行为。关键的问题,如果你想实现能源效率在最后,就是你专注在设计吗?权力本身有时可能不够好,导致你的问题,因为一些工作负载或场景更占主导地位。因此,尽管他们可能消耗数量较小的力量相比其他IP或模式,似乎消耗更少的能量,也许,功耗更小更占主导地位,所以在最后的总能量消耗的特定芯片的IP或部分或特定场景最终被更占主导地位。这可能将关注的地方。”

Knoth说能量是一个新维度探索,和预计的活动在这个区域生长。“这对每个人来说都不会,但能主的人,这是非常强大的。我们花了这么多时间与优化的关键,之前想做的功率回收完毕。但是,你苦苦挣扎的功率增益超过1%和5%。的人真的工作在能源,削减他们的有效功率一半。它完全改变了游戏。对于那些团队设计知识产权,这是非常重要的。但是,它是最有效的是公司面向垂直的和自己的整个堆栈,从固件。他们能够优化整个系统,因为他们自己的整个事情。你的解决方案空间更大的,更大的一组变量你必须处理,最终影响越大。 It’s not going to happen for everyone. But for the people who do operate at that level, they’ll be able to make some pretty transformational gains.”

这是很好的工具公司。“这些方法之间有很强的相关性和某些类型的设计自动化工具,“Knoth说。“有一个更广泛的采用基于硬件的模拟,因为你为了工作力量和能量,你需要有难以置信的功能性刺激,没有什么比实际的软件,你要在设备上运行。”

不过,尽管顶级客户正在寻找可能的能源效率的改善,这并不意味着解决方案。“有发展与多个发生EDA供应商试图做点什么,”艾哈迈德说。“现有工具没有能力报告能源指标、能源效率、能源/切换,每循环能量,和所有这些指标对这种分析这可能是重要的。同样,当你谈论能量,你指的是单位时间内所做的工作。如果你看着利用率和性能,你想了解如果你利用了100%,和你有X数量的权力的时候利用50%,停电2 -或者更多?这是一种方法来看待这个问题。EDA工具现在不报告能源相关指标。他们没有能源报告。的重要因素之一,一起看看电力和能源,是能够描述设计大量的工作负载。如果你有100种不同的场景看电力优化,因为你可能会优化电力模式中不占主导地位,你想描述它的工作负载,和通常在大型规模。它可能是一个超大型SoC。 So the challenge is one of scale, as well. EDA tools are not prepared to handle hundreds of workloads for ultra-large SoCs. Emulation certainly helps. But still, there’s a long way to go in qualifying the right workload for power, and then building it from the standpoint of both energy and power, and having capabilities to analyze that by overlays and graphs and other kinds of analyses.”

人工智能无处不在
今天的大部分半导体设计包括设计、使用、和应用人工智能/机器学习/深度学习在许多不同的应用程序。许多这样的应用程序是极其power-sensitive。

“人工智能和机器学习普及当它们的复杂性被推入背景,”杰姆戴维斯说,副总统手臂研究员、Arm的机器学习集团的总经理。“15亿多人喜欢ML算法时智能手机图片,或者随后搜索他们不断扩大的照片文件,通常在不知情的情况下。每当有人发出命令,这种现象也同样存在全世界估计有3.53亿智能音箱部署之一。隐形的作品。”

戴维斯预计,隐形刺激许多应用程序的采用。“一键式智能停车可能会第一个自动汽车很多的经验。安全系统可以准确区分附近的一个小偷和一个流浪的浣熊的声音会吸引消费者。然而,隐形仍然努力工作。需要改善cpu,转专业和gpu。人工智能处理也将不得不转向设备节约能源和成本,将强调创造性,优雅的算法,减少一切——存储、带宽、计算,和权力。我们也会给消费者一个急需的隐私和数据的自主权。如果我们不给人一个更好的方法来控制AI如何影响他们的生活,它可能会成为最大的障碍。”

修剪设计
工程团队采取了不同的措施,其中许多指向更有针对性和灵活的设计策略。“路径之一是更传统的进入下一个流程节点之一,以及如何继续减少,与新流程节点以及智能架构,”史蒂文说哇,研究员、著名的发明家Rambus。“所有这一切的典范AI,很多人在哪里设计领域特定的芯片。这些是特制的,这意味着你可以摆脱所有的东西你不真正需要的,因为它不是一个通用的引擎,你可以更优化。”

高性能计算和网络,这可能是不够的。数据中心供电和冷却的成本已经很高,和更密集的计算与越来越多的数据,这一趋势是朝着更高的能源消耗。

“有很多压力关闭这些天,“说Manmeet生活,混合信号PHY IP高级产品经理Synopsys对此。”的原因是,通过这些网络的数据量继续增加。随着数据率的继续增加,同时连续速度也需要增加。因此,有很多的压力让权力微微焦耳每一点。突然间我们正从25 Gb / s 50 Gb / s并行转换器,然后从50到100 Gb / s。即使它们占据相同数量的芯片空间,他们现在需要传输比特的两倍。”

许多这样的芯片也在分划板的大小,这引发了其他问题。“即使你可以适应马克斯十字线,你的收益率很低,“生活的说。“如果你有最小的错误,整个死都被浪费了。很多客户都建立很大的死亡。他们得到像10或15芯片对整个死因为产量很低。这些公司现在做什么chiplet路径。与chiplets,他们可以打破大死成更小的模具,解决区域问题,它仍然是容易包在一起,所有的热消散热量通过包装。”

数据的增加也是一个驱动力memory-centric计算,其中包括直接从整合cpu和gpu内存设备在3 d chiplets高速互联。

罗伯•艾特肯手臂研究员指出,移动数据需要尽可能多的或更多的能量计算。“如果你能把数据和计算移动到内存,能源成本下降,”他说。“一些表明总系统能量的62.7%被花主内存和计算之间移动数据。其他重要的好处——减少相对需要内部带宽,绕过的问题对芯片边缘的海滨房地产有限连接,通常能够使用节省能源消耗在运输的其他目的——流思想的转变。思想从处理器添加到记忆卡构建定制的实例内存和计算能力。我们不知道哪个会成功,但作为一个概念,memory-centric计算是不可避免的。”

紧密地集成硬件和软件带来了巨大的回报,。”,很多公司设计自己的芯片,那些看到很多成功不仅担心半导体设计,但是他们也担心软件的这是什么意思,“说Rambus吸引。“他们试图把输入从软件需要一个好的应用程序。他们也想说,‘这是一些工具,也许如果你写代码只是有点不同,你可以利用这一点。有一个巨大的,几乎不成比例的权力储蓄,而传统上你可能会做什么。合作设计真的是越来越重要。”

它也远远超出软件。“现在合作设计包括方案,这意味着必须考虑不仅在硬件方面的基本电路,但一路通过这个设备是如何包装和放置组件,“Woo说。“特别是在AI,他们不再在数据中心。他们不是真正的单片机解决方案了。很多次,多个组件串在一起,和它开始变得真正有趣的问题,“有多少这些东西我可以放在一块木板吗?如果我能把更多的人在一块板子上,来回的沟通。“传统的思维,“如果我真的大引擎,我可以做很多工作不芯片。但这就很难冷静且难以包,也许是更好的选择中间的不是真正的微型芯片,但很好的芯片有合适的计算通信比建在。沟通是杀死你的东西,所以他们试图找出多少计算可以装进这些芯片,然后那是什么尺寸,使沟通可控的。”

增加了复杂性,并不是所有的数据都是一样的。的数据量也在增加,但它也变得越来越复杂。因此而不是传递一些视频,现在是培训、基因组学、神经网络和视频转码。

“这是消耗CPU周期,”生活的说。“cpu运行容量的100%,这意味着你需要更多的芯片。你需要越来越多的加速器在CPU芯片,这些专业加速器可以更好地处理这种复杂的数据。这是芯片和彼此说话,系统相互交谈,机器交谈,和所有以非常快的速度。思考你的服务器。以前,只有CPU服务器框。现在它的CPU,这些加速器来帮助管理这个复杂的数据。所有这些都是导致越来越多的芯片在一个盒子,在盒子和越来越多的权力。交通,据我所知,看到的,是80%的机器对机器通信。只有20%的用户的机器。”

复杂的数据,它不仅仅是请求一个4 k的视频。“它需要读你的行为,它需要通过语音识别训练,等等,”生活的说。“所以有很多机器机流量,这需要大量的并行计算。它需要性能在某种意义上,它需要这些专业复杂的性能数据,但也低延迟。例如,当你在Netflix和滚动通过Netflix网站,它告诉你非常快的下一部电影,你想看基于前面的活动。通过升级并行转换器,这意味着并行转换器已经少了很多努力,因为它与光学,坐在它旁边。它可以co-packaged光学或机载光学并行转换器,它将把现在少了很多力量。

性能仍然很重要
展望2021年,同样的咒语——更大、更好、更快。

“主流cpu和游戏上面3 ghz阈值,并在2021年可能会更高,”黄说。“通常情况下,公司采取多核来达到同样的性能,但让时钟频率低于3 ghz,除非它是一个服务器应用程序,考虑到更大的性能要求和对更高的功耗。异构soc将继续提高性能,同时保持低功耗。超大型计算机将推动更快的交换机和网络从50 g - 100 g 400 g网络。112年g-lr只能并行转换器预计将在2021年成为主流,着眼于224 g在2022年及以后。寻找这些速度的加快发展并行转换器在2021年。这还将推动早期采用sub-5nm硅。先进的记忆需要GDDR6和HBM3等。Chiplet和die-to-die连通性是一个重要的技术,为高性能计算这个方向。”

几何和建筑也将发挥更大的作用在决定权力。“我们现在看3海里被用来带出一些设计,和当我们沿着一种几何、RC特征更明显,”艾哈迈德说。“例如,抵抗是现在比以前更大的因素。早些时候,这是电容,主宰一切。当你有电阻控制,你必须有不同的分析。然后你有两个相互竞争的参数、性能和权力。他们是对立的,所以当它几何,你需要尺寸大一点的电池性能。但是你要一个更小的技术节点,那么如何解决这个问题?”

很多挑战的力量和性能是被技术自适应电压缩放和处理dvf。“事实上,工程团队将向近门槛计算(NTC),我们试图降低电压达到一定的性能,看看我们仍然可以实现电压很低的性能没有造成太多的错误,”他说。“纠错可以处理一些错误,比方说,1000年的100亿倍。也许这是可以接受的错误率百分之十一可以接受,你可以降低电压,直到你不超过。由于这些原因,在阈值附近计算也变得真实的东西为了节省电力,因为电压的平方因子功率方程,”他解释道。

结论
虽然表现的主要目标在半导体设计从一开始,它不再是占据主导地位的担忧。足够的计算能力可以与今天的cpu、gpu,转专业。但也有太多的权力,这就是产生问题。

“我们可以达到我们需要在GPU的性能,例如,CPU相比,这是更有效,”艾哈迈德说。“因为这个原因,很多现在搬到gpu计算引擎。性能是设计师能够实现即使限制是不同的。现在,这不是时机。这不是如何扩展性能。你如何保持性能,同时包含的力量,这就是挑战。”