账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
新型态竞争风云起 EDA启动AI晶片新战场
晶片开发加速成长

【作者: 王岫晨】2020年06月05日 星期五

浏览人次:【6284】

AI将引导全世界走向工业革命以来,最大幅度的社会经济革新。


相关厂商必须快速将运算晶片上市,来处理AI架构的全新挑战。


这样的需求正驱使EDA工具日新月异,便于开发更高等级的方案。


随着AI技术的逐渐扩大应用,复杂性也不断增加,人们越来越清楚地知道,AI及其许多工具(例如深度学习、机器学习等)都将再一次引导全世界走向工业革命以来,最大幅度的社会经济革新。


尽管AI的使用,在道德层面上仍然存在着许多的争议,但不可否认的是,尽管目前仍只是处于AI发展的初期,然而AI已被大量部署于许多不同的领域,用于改善并实现机器的自动化。从数据的收集、通讯、机械人技术、工厂自动化、汽车设计到IC设计产业,都可以见到AI的踪影。特别是在IC设计的EDA领域,AI的应用案例更是不胜枚举。


AI迈入自主系统时代

根据Mentor Graphics(明导国际)所发表的白皮书指出,正由于得益于最新的技术进展,AI现已进入自主系统的时代,让人们可以拥有强大的能力,来处理运算密集的复杂任务。 AI系统既便利又强大,可以用来解决全球面临的各种重大挑战。


AI系统包括三部分,超大资料集、资料处理演算法,以及用来处理资料的运算硬体。一般来说,AI系统必须要能够快速地处理大量资料,才能实际发挥作用,而这就需要使用快速的运算能力。 AI对于运算能力的需求,也催生了AI晶片(或者AI加速器)这个快速成长且充满竞争的新市场。要在这个市场上领先群雄,就必须快速将晶片上市,并且透过设计与测试的解决方案,来处理AI晶片架构的全新挑战。


提高AI运算效能

从Mentor Graphics的研究资料中可以发现,AI竞赛的展开,使得AI运算的需求大增,每3.5个月便增加一倍,自2012年起至今,已经增加了300,000倍。接着来看这三家处理器厂商的案例,他们各自采用了不同的硬体技术,来满足AI运算市场的成长需求。 Graphcore与Mythic这两家新创公司是以ASIC晶片的方式提供AI运算能力,其ASIC架构是以创新的大规模平行架构为基础,能够大幅提升AI系统的资料处理能力。至于Intel、AMD与Nvidia等处理器大厂,则是持续开发并最佳化现有的处理器架构,包括GPU、CPU以及FPGA等,使其能满足AI系统的运算需求。



图一 :  AI晶片的应用案例。(source: Graphcore、Bitmain及Mythic提供)
图一 : AI晶片的应用案例。(source: Graphcore、Bitmain及Mythic提供)

事实上,AI市场可以说相当活跃,目前已有超过50家新创公司以及25家传统半导体大厂,都争相抢食AI市场的市占率。由于AI相关厂商的快速成长,使得市场竞争也日趋激烈。对这些厂商来说,产品的上市时间相当重要,因此设计流程中的每一个细节,包含IC测试与晶片调校等过程,都必须把『尽快将品质最好的晶片送到客户手中』当作策略目标。


更快的AI晶片设计工具

大多数AI开发都是从数学演算法开始的。开发人员在数学工具中创建演算法,并将其转换为C语言,然后在处理器上运行该演算法。在这样的过程中,工程人员会发现演算法的某些部分能以最佳方式运行,至于其他部分则运行速度较慢。



图二 : Tessent阶层式DFT让完整的DFT sign-Off能在设计阶层架构的不同层级进行。(source: Mentor Graphics)
图二 : Tessent阶层式DFT让完整的DFT sign-Off能在设计阶层架构的不同层级进行。(source: Mentor Graphics)

因此,这样的发现使得AI加速器的IP和晶片开发上出现了巨大的成长。工程人员可以强制某些演算法透过C语言的调整,使其在现有的ASSP架构上运行,但可能会降低性能和功耗。至于某些演算法则需要特别的逻辑性才能进行最佳运算,例如在行动设备上的ML演算。


AI晶片虽然可能有不同的架构,但通常有几个关键的设计特性是共用的。通常AI晶片架构与测试要求对DFT实作策略会产生影响。无论使用的架构为何,AI晶片通常都具有以下的设计特性:


‧闸极数量达数十亿的大型设计。


‧大量经过复制的处理核心。


‧分散的记忆体。


为特定应用程序开发正确的AI架构,这样的需求也正驱使着EDA工具日新月异,让相关厂商能够开发更高等级的解决方案,现阶段许多厂商都正尝试开发用于AI的SoC,使得EDA厂商的相关业务也都出现了成长。


Mentor Graphics开发的Catapult HLS平台,让AI架构师可以将开发完成的数学演算法转换成为C或SystemC等语言,并预先了解如何透过软体与硬体来达到AI演算的最佳结果,并将这些AI架构更完美地应用到即时的AI装置上。


利用AI晶片的规则度

AI系统必须快速处理大量资料,这就需要使用快速的运算能力。这也催生了AI晶片这个快速成长且充满竞争的新市场。

AI晶片通常具有大量相同的核心,利用AI晶片的规则度进行可测试性设计(DFT),代表DFT作业(包含测试插入、测试向量产生以及验证等)只会在核心层级完成一次。然后经过sign-off的完整核心会自动进行复制,以完成晶片层级的DFT实作。 Mentor Graphics表示,Tessent阶层式DFT是相当理想的解决方案,除了能利用AI晶片的规则度,并允许在不同的层级对区块进行完整的DFT sign-off。


对于AI晶片来说,以最快的速度将晶片推出市面是首要目标。要满足这项要求,DFT解决方案必须能够支援三项关键功能:


‧利用AI晶片的规则度


‧在RTL中进行DFT插入


‧消除DFT到测试的叠代


Tessent的RTL(register-transfer level)型阶层式DFT与Tessent SiliconInsight方案,能够缩减DFT与晶片调教所需的时间。 Tessent的RTL型阶层式DFT,可利用AI晶片的规则度,完成核心层级的DFT sign-off,以及IJTAG的核心复制与整合。 RTL型阶层式DFT支援DFT的插入与验证,以及RTL层级的可测试性分析,进而加速设计开发周期。使用这项解决方案,使用者的测试向量产生速度能提高10倍,向量缩减量能达到2倍,系统记忆体使用量则能够减少10倍。


结语

既然AI的宝箱已经被开启,我们所需要的就是用正面与积极的态度来拥抱它。毫无疑问的,在2020年,AI晶片与系统的设计与部署,也将会随着EDA工具的成熟与完备,而继续成长茁壮。


相关文章
高速数据传输方兴未艾 NVMe打造现代化储存新体验
生成式AI与PC革新
显微镜解决方案助力台湾半导体技术提升研发效能
机器学习可以帮助未来的癌症诊断
EDA的AI进化论
comments powered by Disqus
相关讨论
  相关新闻
» Arm发布车用技术及运算子系统路径图 将加速AI车辆上市时程
» NetApp藉由智慧型资料基础架构加速AI创新
» 亚东工业气体司马库斯厂落成 强化在台半导体材料供应链韧性
» 友通加速投入AI IPC研发 扩大应用领域
» 意法半导体第二代STM32微处理器推动智慧边缘发展 提升处理性能和工业韧性


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83J7LP6CYSTACUKT
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw