较小的节点,更大的问题

若昂Geada的解释,首席技术专家有限元分析软件,坐下来与半导体工程讨论设备扩展,先进的包装,增加复杂性和艾城的越来越重要的角色。以下是摘录的谈话。

SE:我们一直在推动沿摩尔定律大约半个世纪。你现在看到什么样的问题,你没有看到两节点前吗?

Geada的解释:第一个晶体管是在1960年代末,第一个集成电路从英特尔在1970年。是的,我们已经很长时间每18个月翻一番。简单的游戏已经结束,现在我们提出进一步推动事情的技巧。我们还没有用光技巧,希望我们不会到我退休的时候,但进步是来自不同的方向。大多数铸造厂似乎有某种计划3海里,左右一点。这些天的数字并不意味着什么。他们只是代表密度能够实现。但是他们都在谈论相同的有效芯片上晶体管密度。

SE:我们向这些节点,你看到大量相同的处理元素,或者你看到更多的异质性在这些advanced-node芯片吗?

Geada的解释:这取决于域。但总的来说,异质性回来在多个维度。你去小几何图形变得越来越昂贵。的一件事是开摩尔定律是每个晶体管的成本下降。最近还没有下降明显,在某些情况下它会平的。是的,你可以得到更多的晶体管,但每个模具的成本大幅上升,这两件事平衡。我们会看到更多的异构性,因为有些事情你不需要开发在较小的节点。有时你甚至不必然要在硅。举个例子,如果你想处理极高频部分,正确答案可能是一些砷化镓变异甚至硅锗。超高频的东西,比如毫米波5 g,硅不能得到的频率。 When you talk about systems, which is what people really care about, heterogeneity is being forced. Yes, certain things are still going to be a homogeneous cores, such as a GPU, but systems are going to be heterogeneous. There’s going to be specialized silicon or other fabrication processes for dealing with specialized needs, whether it’s to do with very high frequency radio waves with silicon germanium or gallium arsenide, or whether it’s specific processes to deal with photonics. Sure, you can integrate some of it with normal conventional CMOS, but it’s easier when it isn’t. And you don’t need the very high cost of an extreme node when the features you put on it are to manipulate light, which is actually much larger than the smallest transistors you make.

SE:继续3海里?这变得更加均匀,而其余的包更加异构?

Geada的解释:是的。基本上,每个子系统专门的事情。所以3海里的计算密度和相对较低的功率泄漏。它很好表现。你可以把很多局部计算能力使用大量的晶体管。但它不是一切。所以的事情不太好,从最优硅迁移到适合设计的最佳方法。在多个维度,我们看到这个广告这是其中一个原因所有的铸造厂和制造房子所以很大程度上3 d-ic味道和FPGA。
他们提出的系统不再仅仅是一个死。它们叠加为特定目的。现在有一个完整的生态系统在高带宽内存,这是适应因为你不再可以离开你的包跟记忆。太远了。光速距离一直是一个问题。性能,在许多方面,受限于身体是多么大。以前系统级接口,你off-package去与你的记忆,或者你去off-package跟你激光输入高带宽、高性能串行接口。或者你去off-package跟你的天线。功率和性能成为不可能的预算,人们需要这些天。只要有可能,所有的功能是向内迁移,尽可能靠近处理器。 So you’re starting to see much more complicated packages, where the antenna, the lasers and optical communications, the SerDes and the memory have migrated the package itself through some sort of 3D-IC technique.

SE:基本上我们缩小董事会?

Geada的解释:是的,和下一个大集成/迁移将会是在哪里印刷电路板成为硅。很容易浏览的是,当你的晶体管数量每18个月增加一倍,你每18个月系统复杂性的两倍多。所以整个工具集,你的整个推理和方法,必须永远能够扩展到处理需求每18个月翻一倍。一切都变得非常复杂的多。这是其中一个原因我们已经投入巨资大力发展可伸缩的平台。你仍然不能保持的架构我们从头构建的可伸缩性。

SE:它使它更简单的在数字方面如果我们朝chiplet方法?

Geada的解释:简短的回答是,我还没有见过。理论上,一旦测试组件,您可以使用,它会更简单。我们没有在那个世界。而在实践中,只是死记硬背更多的晶体管到一个较小的物理区域的法律带来了意想不到的后果。过去,电压下降的主要原因在任何时间在任何细胞实例基本上只有两个组件。其中一个是下降造成的“这”实例转换——有一些活动。因为有一些有限的电阻供电,实例转换引起局部压降纯粹从切换效果。还有同时要求所有的这些家伙,这降低了电源来供电的能力。有系统级脉动和当地下降。很大程度上,这一观点已经足够好了十年左右。 Most people’s voltage analysis is based entirely on that concept. As soon as we migrated tofinFETs,这个故事停止生产技术有意义,因为这两个组件开始淹没了第三个组件,这是影响系统的其他部分的局域切换。突然的问题变得非常大,很难分析。

图1:计算热意识到电迁移从导线的温度。来源:有限元分析软件

SE:我们也开始像电线,太薄电流很容易移动。我们有电容问题,我们以前从未有过如此规模的处理,对吧?

Geada的解释:电感,开始变得有趣。你可以忽略电感在较低的频率,但在新的节点,要高出频率和更复杂的金属,电感开始,你需要更多的关注。不仅仅是在为谐振器和天线,。突然你的时钟,通过设计有非常快的边缘,开始像一个EM发射器,夫妻任何附近的电线,有正确的方向。可以忽略片上电感不是一个效果了。是至关重要的任何其他高铁线路或设备与高频组件。所以任何信号,开关非常快有高频分量,你需要分析并确保它们不会影响或受到共振的影响在你的设计。

SE:泄漏出整个包在multi-chip包吗?

Geada的解释:有可能。同样的原则也适用于热。当你正在做一个平面芯片,是你的整个宇宙,你的热梯度预测从你自己的活动。现在你叠加了其他东西,你需要考虑比你可能是一个记忆,通常跑酷,或者它可能是一个并行转换器,通常运行热。或有人可能已经决定把一些AI chiplets之上,这些在很大程度上是不可预测的。这取决于他们如何训练和推测他们在做什么。

SE:有大推动移动内存接近处理,并有可能将内存中处理。记忆是对热非常敏感。这对设计的影响是什么?

Geada的解释:你最终不得不模拟整个系统中,所有的物理,你需要有足够的技术性能分析足够的操作和交互模式来确定系统是否能正常工作。绝对是一个热的效果,你必须分析热效果。但它不只是生成的热量。当你申请在ADAS的环境,例如,你有一个200马力或更多的热量发电机非常接近你。这将添加热应力。或者,你可能会在一个风力涡轮机的地方更温和的热环境在许多方面。还有热梯度设计,然而,它需要在不同的热制度。

SE:和影响它的功能如何,如何,如何移动的信号,以及他们是否兼容的过滤器,对吧?

Geada的解释:是的,你总是要分析整个系统的同时尽可能多的场景。Ansys投资不仅在大型可伸缩的平台很多,而且如何自动构造的抽象层次的行为来满足不同层次的行为。我们可以模拟整个系统,无论是整个汽车或整个风车,从完整的物理功能系统一直到单个芯片。信息流动在堆栈和自动创建抽象。当你模拟传感器在汽车周围的行为,还有一些物理的认识芯片本身是做什么和热环境是在接收一个图像。你仍然需要检测一个人行横道,无论你在炎热的沙漠或在格陵兰岛。

SE:这是令人难以置信的复杂和有很多的权衡。人们要去设计?

Geada的解释:我们看到两个主要方向。第一个是很常见的,假设这新一代一样老的代,方法和技术可以适用于设计系统在前面的时代仍足以设计这些新系统有更高的集成或多个异构性,和更复杂的环境。这是一个更有挑战性的问题。有问题,没有问题在以前的方法,持续的热应力和热梯度。你可能有一个堆栈,其中的一部分运行在65 nm和其他部分运行在28 nm。这是一个系统。最传统的方法不做这些复杂性,人们经常忘记考虑所有这些复杂的相互作用。因为这些交互,人们犯错误是让陷入细节,他们不会取得任何进展。

SE:一个隐性成本的再培训你的员工,对吧?虽然他们可以学习这个东西,它的额外的时间的设计周期。现在,而不是仅仅做一个芯片,你也做一个芯片和延长时间,需要对这些人学习。

Geada的解释:对公司真正价值的员工来说,他们可能会好的。但主要竞争的人才能做到的。公司不照顾他们的工人将会看到他们走出去。是有原因某些公司做这个比其他的好很多,这在很大程度上追溯到能够获得更多的人才,激励员工,有足够的灵活性学习和适应这变化的情况。有一个永久的钟摆周期从集成、瓦解和专业化,一体化。我们又回到了重新整合阶段。

SE:你如何看待所有这些不同的组件一起玩吗?有很多启动技术,如RISC-V,挑战现状

Geada的解释:RISC-V很有趣,但它没有达到发展和历史背后,手臂。并没有那么多的选择。如果你观察激光雷达,没有很多的选择。如果你看着雷达,它是一样的。大多数大公司是专门在一个域。

SE:如果你有更多的专业球员,但较少的地方,这帮助的集成这些不同?

Geada的解释我们还不知道。但它确实给他们更多的筹码。

SE:如果事情已经完全的特点,你知道它将如何表现,这给他们一个优势从零开始更多自定义解决方案吗?

Geada的解释:它是方便的在两个方向,而不是方便的。它往往是更可预测当你处理这些大的球员之一。他们有自己的趋势和轨迹,一旦弄明白到底是什么驱使他们,更容易掌握他们的需求和他们的行为。捕捉过程是这样的,因为他们都高度集中在他们自己的领域,你不一定可以教训来自其中一个,这些应用于不同的领域,因为他们专注于不同的市场有不同的需求。所以你可以取5克域的知识并将它转化为适用于雷达的东西。物理是相同的,工具的基本功能是相同的,但其应用和使用的环境是不同的,你最终得到的大规模定制。EDA一直是定制的现成的。它已经成为最近更是如此。每一位客户从其他客户略有不同。

SE:人工智能是定制定制,因为随着时间的推移这些系统优化。我们如何与算法找出发生了什么,因为我们不能读入它们一旦被训练——特别是与机器培训机器——我们修补这些东西,。

Geada的解释:这是EDA的一件事,作为一个规则,已经做得足够好了。大部分的工程算法在EDA设计工作可证明的界限有些悲观。不是系统非常适合这一特定的执行的因素。我们大部分的证明和模拟都是为所有可能的用例。考虑到约束,我们可以证明该系统将在功率运行,温度、电气预算你给我们。锻炼我们的算法,尽可能缩小悲观范围尽可能接近现实现实可以为名义的情况。

SE:你如何看待人工智能过滤到所有这一切,以及如何成功的你认为它最终将?

Geada的解释:人工智能是一个非常大的伞一大堆技术和领域无关。它涵盖了广泛的功能。你有学习系统的一部分。需要一个完全不同的复杂程度和分析推论引擎,也就是应用输入和重量和向前传播,不会做其他任何事情。这是一次又一次重复相同的操作。给定一组学习的重量,它有一个更简单的行为比你需要做大规模的机器学习。还有域边缘AI。我的手机怎么知道当我说,“Siri,“醒来吗?在本地完成。对象识别在本地完成。 Edge AI is incredibly important because even with 5G we’re going to have limited bandwidth and latency to get to the cloud to do deeper analysis. So a lot of the analysis has to be done at the edge, and only exceptions, flags, and statistical data can afford the migration to the cloud and back. Something that is running in an accessible location has different constraints than something that is running in my house.

SE:这在其他市场如何?

Geada的解释:我们开始看到越来越多的东西应用无处不在,即使是假肢。有一些很酷的工作,我们现在可以阅读神经冲动在皮肤的表面,解释的意图,使假肢的举动好像有人真正的手臂。但是他们都有不同的领域的适用性不同。因此我希望人工智能仍然是一个广泛的领域。通常9 10的这些想法会失败,但会有成功。定义,会有不止一个赢得建筑,因为有多个不同类型的问题。