毫升汽车芯片设计起飞

机器学习越来越被部署的一大片的芯片和电子产品在汽车、改善标准部件的可靠性和创造的极其复杂的人工智能芯片中使用越来越多的独立应用程序。

在设计方面,大多数的EDA工具今天依靠强化学习,人工智能的机器学习子集教机器如何执行一个特定任务的基于模式识别。不同于人工智能图像识别芯片,基于训练的大规模数据集,机器学习可以产生准确的结果迅速使用更小的体积数据。Synopsys对此、节奏、西门子等都有接受了强化学习的工具,以及他们的汽车客户时间点改善芯片市场提供更好的性能和满足严格的安全目标。

“验证这些复杂的芯片也是确保安全的关键和功能所以今天最先进的自动化工具利用AI /毫升发现覆盖漏洞测试保证难以捉摸的差距和代理检测到难以捉摸的bug,如果未被发现的可能是灾难性的,”托马斯·安德森说,副总统为人工智能和机器学习Synopsys对此。他指出,除了会议能力,性能,和区域需求,机器学习可以帮助确定冗余片上的功能分区和间距要求。

今天,大量的机器学习为车辆,用于制造芯片和人工智能在这些车辆的使用正在增长。速度变化是一种猜想,但趋势是明确的。

“今天有一个答案,答案在一两年内,他们是非常不同的,”大卫·弗里茨说,副总统的汽车和mil-aero hybrid-physical和虚拟系统西门子数字行业软件。“我们从系统开始探索,有工具来做到这一点。它们允许探索这个复杂的空间和系统是什么样子的。例如,ecu看起来像什么?软件应该运行在哪里?在过去很容易就说,“这是一个MATLAB模型,模型的功能,“按下按钮,生成C代码,你就完成了。问题是整个自动化过程。只是不工作因为计算需求的图表,因为汽车的复杂性。”

典型的模型,现在很快过时,V图。“过去,你可以分解下来的最小单位,从模型中生成的C代码,将其放置在一起,你瞧,它的工作原理,”弗里茨说。“问题是当达到某种程度的复杂性时,它不工作了,因为当你把所有的拼图你回来一起来发现你失踪的两个四个角和中间几块失踪。今天发生的事情的过程本质上要求和识别潜在的系统架构将是什么样子,然后模拟和测量它。然后,把这些测量,对需求进行比较,重复令人作呕。”

在工具方面,重点可能是机器学习,但在车辆完整的AI最终需要处理越来越多的自治功能。“EDA供应商找到了新用途(ML)优化,自动化,加快SoC发展流动,“蒂埃里Kouthon说,技术产品经理为安全IPRambus。“芯片设计越来越复杂,由于增加了密度较低的几何图形,低延迟需求,超大型设计与数十亿盖茨,和上市时间的压力。因此,它需要复杂的专业知识,可能会变得越来越稀缺,和需要大量投资以满足时间表。”

EDA厂商已经部署的强化学习,提高soc是如何设计和制造的。“今天使用在一些地区的SoC设计流程,如逻辑综合、验证、布局、路由、3 d集成、测试和设计,“Kouthon说,指出EDA公司促进强化学习加速和提高质量的ASIC设计流程,以及减少资源参与半导体项目。

在过去的几个月里,几乎所有的大的EDA供应商接受某种程度的机器学习,他们将进一步推入AI世界更多的相关数据收集。“尽管仍有很大的机会在我们面前,和大量的创新,是有可能的,这只是开始被锁定的,”罗伯Knoth说,产品管理组主管在数字和验收小组节奏。“你只需要打开报纸或阅读一些报道。如果你看什么特斯拉的Dojo的超级计算机,你看到,整个系统是如何影响,迎合,并设计不仅仅是人工智能,但对于人工智能。芯片是非常重要的,但芯片只是重要的上下文的汽车或上下文的数据中心。和所需的大量数据执行汽车功能来帮助提高质量和可靠性,解决功能安全问题——所有这些事情都是一起跳舞。它不是一件孤立的,这就是真正的美和潜在这只是开始解锁。”

AI /毫升可以发挥至关重要的作用在许多地区的汽车设计过程。

”一方面,你可以谈论automotive-specific东西,但在另一个,你可以退一步,说:“这些令人难以置信的聪明的边缘AI-enabled设备汽车非常类似于许多其他类型的先进半导体,”“Knoth说。“未来AI不再是一个主题在我们的用户会议上,这是一个当前话题。被所有行业使用积极做日常工作,因为它允许工程师花更多的时间做工程师是独特和美丽适合看意图,看看指导,探索事物,更担心的是功能,而不是日复一日的实现。和人工智能是允许一个更大的扩散更复杂,更有区别的定制硅。”

其他人也同意。“现代汽车芯片从芯片架构的角度来看,主要是针对自动化和安全驾驶方面的特性,“说Synopsys对此安徒生。“这样,从本质上说,他们已经成为车载智能芯片,实现复杂的CNN功能来分析图像,视频和场景和采取适当的措施避免事故或全自动化无人驾驶。”

在汽车具体来说,工作是围绕质量、可靠性和安全性。

“质量是降低你的有缺陷的零件制造(DPPM),”他说。“可靠性是确保你可以保持功能在产品的寿命。功能安全基本上是说,‘如果休息,让我们确保我们没有造成伤害。这些都专心地与汽车,在每一个这些AI是积极用于帮助实现这些目标,或者有可能基于他们已经在过去的人工智能应用于他们要么让测试变得更聪明,帐龄分析做得更好,或者更聪明,高效、有效的安全机制。”

AI /毫升适合许多应用程序和工具,汽车,和他们经常互相支持。“我们的技术发展中扮演着重要的角色,因为我们一直在想如何验证这个AI,”Frank Schirrmeister说,解决方案和业务发展副总裁Arteris IP。“CNN,有结构性验证款,或任何使用?功能做乘法正确吗?不过,一旦你已经训练了,有真的很少有方法验证,你不会有任何异常值。这就是为什么需要护栏,这就是系统性发展挑战。你有你的AI帮助识别和视觉在车里的东西,但是你仍然需要护栏,从发展的角度找出适当的优雅降级的方法。如果它是没有意义的东西,你怎么那么优雅的失败或没有杀死任何人优雅地停车?这是开发过程的一部分从系统层面考虑——如何护栏的人工智能。”

增加人工智能方面的考虑
所有这些因素越来越重要,因为更多的AI /毫升加入车辆,和用于创建这些车辆的芯片。

罗恩DiGiuseppe、高级营销经理、汽车IP Synopsys对此,认为人工智能在连续的使用。“迁移率谱,ADAS 2级,2级,3级、4级、5级完全无人驾驶。二级ADAS的ADAS类别自动化——现在的应用程序部署在汽车,包括自适应巡航控制系统——这是一个人工智能应用程序只是为了ADAS。它不是自动驾驶。另一个例子是自动紧急制动。当你开车在街上和一只狗在运行,对象检测将启动自动紧急制动的应用程序。现在这些都是部署在汽车,其中许多使用应用人工智能。最好的例子是Mobileye,可能使用最广泛的在ADAS这些人工智能应用程序。独立的自动驾驶,人工智能在其他应用程序中被采用在汽车内,但现在他们仍然在发展。是部署在生产不了多少。”

DiGiuseppe说,人工智能汽车将用于其他应用程序,如娱乐司机监测系统,就像凝视检测,看到司机在哪里寻找。”同时,在电动汽车的动力系统,DC-to-DC转换器是一个很好的例子,AI如何优化应用的电池管理系统。通常,这是一个算法来优化电池组的充电/放电。这是另一个不寻常的采用人工智能,但关键是,它将许多不同的应用程序内的车。”

电动机为人工智能传感器减少另一个应用程序。“有硬件传感器,使用预测分析与人工智能来执行该函数。而不是实际使用硬件传感器和一个电动马达传动系统,您可以使用人工智能预测分析,”DiGiuseppe补充道。

这些人工智能算法最终将如何部署会随着时间改变。两个关键元素有灵活性和大小。“如果他们是相对较小的模型,eFPGA是一种可行的方法,”注意到杰夫•泰特的首席执行官Flex Logix。这可能是特别有用的为设计师寻求最大化PPA。eFPGAs高效的大型视觉模型与像素的图像,和数百层像YOLOv5L6,泰特解释说。他们还可以重新编程领域利用算法的变化。

当前人工智能实现
建筑的设计流程需要早期概念规划。“我们把这里叫做左左,”弗里茨说。“这是需要发生什么在你左移位之前,和是并发症。我现在做决定,所以我必须有一个方法,不仅可以期待到实现和收集这些指标,这样我就能看看我要满足我的要求。我还必须能够设计并将其传递给实际实现者,无论是内部,供应商,或无论他们在哪里。我该怎么做在100个不同的公司,大多数都不知道我们谈论或者他们如何融入更大的照片吗?知识产权保护是如何进入呢?这是一个巨大的挑战。”

弗里茨认为这是其中一个主要原因为什么4级和5级自治一直推迟。“不一定,因为人工智能车辆内部,虽然肯定这是一个挑战。这并不是对功能安全。这不是关于这些东西了。我们得到良好的处理。但你如何做,工作在一个现实世界与所有这些不同的供应商做自己的作品呢?他们都用自己的方式做事,只关注他们的这个非常大的难题。现在他们必须证明他们的难题要处理所有的其他部分,你真的能看到。在任何一个大型汽车集团,他们可能有几个品牌,每个品牌往往有自己的做事的方式。所以即使在公司控制很难得到某种共识如何事情需要前进。”

一旦开发过程,和手动完成,下一代将人工智能应用于这个过程。“人工智能训练,有数百种不同的输入,”弗里茨说。“输入可能是那么简单的事情,“带宽不超过60%”,或者“输入会间接相关类型的需求,进入系统。“一旦你有了一个可以运行的高级模型,创建一个数字的双胞胎,然后提供这些指标,然后AI,看着它说,“我把事情做得更好或更糟吗?这是训练有素的随着时间的推移,我意识到如果我组织结构以这种方式,如果我用,比方说,最新最大的胳膊CPU和我可以运行在1兆赫,我可以做更多的处理节点的系统,这会降低我的带宽。现在我可以侥幸5汽车千兆以太网,并能满足成本要求或重量要求或一系列要求。AI然后最终将接管这些系统架构师,因为有太多的维度,太多的变量对于任何人类能够算出来。”

结论
随着时间的推移,随着系统理解的提高,有一个标准,现成的机器学习问题,可以识别输入和获取结果,设计团队了解如何比较这些结果和调整设计,那么它将变得更加普遍。“图像识别是一样的其它问题,”弗里茨说。“一旦我们,这将是人工智能的训练将为每个品牌和每个OEM是独一无二的,并且那将是黄金珠宝。没有人碰它。没有人惹它,除非它是贯穿非常复杂的回归测试,以确保他们没有破碎的东西。这是未来。”

不过,基本面不应忘记,抑扬顿挫的Knoth说。“人工智能在这里,这不是在未来。重要的,是你不能忘记的基本面。你必须练习你的休息。你必须练习罚球。你必须在你所有的地位稳固的基本面,或冷却新玩具是如何并不重要。这在汽车行业尤为重要。人工智能可以帮助你做很多事情,但是如果你不关注质量、可靠性和安全你的一部分,如果你不注意你的基本设计和签字的方法,它不会是一个成功。”

当它归结到它,AI /毫升提供了许多技术使用强化学习等优化目的,k-clustering,卷积神经网络,生成对抗网络,Rambus Kouthon说。“所有这些技术的应用集成电路设计和制造流程的不同阶段是一个活跃的研究领域,承诺好处的话题,例如产量优化或设计测试和验证”。