Wie KI das Chipdesign verändern wird

Das Ende des Mooreschen Gesetzes naht. Es gibt nur begrenzte Möglichkeiten für Ingenieure und Designer, Transistoren zu miniaturisieren und möglichst viele davon in Chips unterzubringen. Deshalb wenden sie sich anderen Ansätzen für das Chipdesign zu und integrieren Technologien wie KI in den Prozess.

Samsung beispielsweise erweitert seine Speicherchips um KI, um In-Memory-Verarbeitung zu ermöglichen und so Strom zu sparen und maschinelles Lernen zu beschleunigen. Apropos Geschwindigkeit: Der TPU V4 AI-Chip von Google hat seine Rechenleistung im Vergleich zur Vorgängerversion verdoppelt.

Aber KI birgt noch mehr Versprechen und Potenzial für die Halbleiterindustrie. Um besser zu verstehen, wie KI das Chip-Design revolutionieren wird, haben wir mit Heather Gorr, Senior Product Manager für die MATLAB-Plattform von MathWorks, gesprochen.

Wie wird KI derzeit zum Design der nächsten Chipgeneration eingesetzt?

Heather Gorr: KI ist eine sehr wichtige Technologie, da sie in den meisten Phasen des Zyklus, einschließlich des Design- und Herstellungsprozesses, involviert ist. Hier gibt es viele wichtige Anwendungen, auch in der allgemeinen Verfahrenstechnik, bei denen wir Dinge optimieren wollen. Ich denke, dass die Fehlererkennung in allen Phasen des Prozesses, insbesondere in der Fertigung, ein wichtiges Thema ist. Aber selbst wenn man den Designprozess vorwegnimmt, [AI now plays a significant role] wenn Sie das Licht, die Sensoren und all die verschiedenen Komponenten entwerfen. Es gibt eine Menge Anomalieerkennung und Fehlerminderung, die Sie wirklich in Betracht ziehen sollten.

Heather GorrMathematische Arbeit

Wenn man dann über die Logistikmodelle nachdenkt, die man in jeder Branche sieht, gibt es immer geplante Ausfallzeiten, die man abmildern möchte; aber am Ende kommt es auch zu ungeplanten Ausfallzeiten. Wenn Sie sich also diese historischen Daten zu Zeiten ansehen, in denen die Herstellung etwas länger als erwartet gedauert hat, können Sie einen Blick auf alle diese Daten werfen und mithilfe der KI versuchen, die Ursache sofort zu identifizieren oder etwas zu erkennen, das Bestand haben könnte bereits in der Verarbeitungs- und Designphase. Wir stellen uns KI oft als Vorhersagewerkzeug oder als einen Roboter vor, der etwas tut, aber meistens erhält man durch KI viele Erkenntnisse aus Daten.

Welche Vorteile bietet der Einsatz von KI beim Chipdesign?

Gorr: Historisch gesehen haben wir viel mit physikbasierter Modellierung zu tun, was ein sehr intensiver Prozess ist. Wir wollen ein Modell mit reduzierter Ordnung schaffen, bei dem wir, anstatt ein so rechenintensives und umfangreiches Modell zu lösen, etwas günstigeres machen können. Sie können sozusagen ein Ersatzmodell dieses physikbasierten Modells erstellen, die Daten verwenden und dann Ihre Parameter-Sweeps, Optimierungen und Monte-Carlo-Simulationen mithilfe des Ersatzmodells durchführen. Dies erfordert viel weniger Rechenzeit als das direkte Lösen physikalischer Gleichungen. Wir sehen diesen Vorteil also in vielerlei Hinsicht, einschließlich der Effizienz und Wirtschaftlichkeit, die sich aus der schnellen Iteration von Experimenten und Simulationen ergibt, die beim Design wirklich hilfreich sind.

Es ist also gewissermaßen so, als hätte man einen digitalen Zwilling?

Gorr: Genau. Das ist so ziemlich das, was Menschen tun, wenn sie über das physikalische Systemmodell und experimentelle Daten verfügen. In Verbindung damit steht Ihnen dann dieses andere Modell zur Verfügung, das Sie modifizieren und anpassen sowie verschiedene Einstellungen und Experimente ausprobieren können, die es Ihnen ermöglichen, all diese unterschiedlichen Situationen durchzugehen und am Ende ein besseres Design zu entwickeln.

Es wird also effizienter und, wie Sie sagten, billiger sein?

Gorr: Ja, absolut. Besonders in der Experimentier- und Designphase, in der man verschiedene Dinge ausprobiert. Dies führt natürlich zu erheblichen Einsparungen, wenn Sie tatsächlich herstellen und produzieren [the chips]. Sie möchten so viel wie möglich simulieren, testen, experimentieren, ohne tatsächlich etwas mit der Verfahrenstechnik selbst herzustellen.

Wir haben über die Vorteile gesprochen. Und die Nachteile?

Gorr: DER [AI-based experimental models] neigen dazu, nicht so genau zu sein wie physikbasierte Modelle. Aus diesem Grund führt man natürlich viel Simulation und Parameter-Sweep durch. Aber das ist auch der Vorteil dieses digitalen Zwillings, und das dürfen Sie bedenken: Er wird nicht so genau sein wie das genaue Modell, das wir im Laufe der Jahre entwickelt haben.

Chipdesign und -herstellung sind systemintensiv; Man muss jeden noch so kleinen Teil berücksichtigen. Und das kann wirklich schwierig sein. Dies ist ein Fall, in dem Sie über Modelle verfügen können, um etwas und verschiedene Teile davon vorherzusagen, aber Sie müssen trotzdem alles zusammenfügen.

Zu berücksichtigen ist außerdem, dass Sie Daten benötigen, um die Modelle zu erstellen. Man muss Daten von verschiedensten Sensoren und unterschiedlichen Teamtypen integrieren, was die Herausforderung erhöht.

Wie können Ingenieure KI nutzen, um Hardware- oder Sensordaten besser aufzubereiten und daraus Erkenntnisse zu gewinnen?

Gorr: Wir denken immer darüber nach, KI zu nutzen, um etwas vorherzusagen oder eine Roboteraufgabe auszuführen, aber Sie können KI auch nutzen, um Modelle zu erstellen und selbst Dinge auszuwählen, die Ihnen vorher vielleicht noch nicht aufgefallen sind. Menschen nutzen KI, wenn sie Hochfrequenzdaten von vielen verschiedenen Sensoren haben, und es ist oft nützlich, den Frequenzbereich und Dinge wie Synchronisierung oder Resampling von Daten zu erkunden. Dies kann sehr schwierig sein, wenn Sie nicht wissen, wo Sie anfangen sollen.

Eines der Dinge, die ich sagen würde, ist, die verfügbaren Tools zu nutzen. Es gibt eine große Gemeinschaft von Menschen, die an diesen Dingen arbeiten, und Sie können viele Beispiele finden [of applications and techniques] auf GitHub oder MATLAB Central, wo Leute nette Beispiele geteilt haben, sogar kleine Anwendungen, die sie erstellt haben. Ich denke, dass viele von uns in Daten versunken sind und einfach nicht wissen, was sie damit anfangen sollen. Nutzen Sie also unbedingt das, was in der Community bereits vorhanden ist. Sie können erkunden und sehen, was für Sie Sinn macht, und das Gleichgewicht zwischen Fachwissen und den Erkenntnissen herstellen, die Sie aus Tools und KI gewinnen.

Was sollten Ingenieure und Designer beachten?Und nutzen Sie KI für das Chipdesign?

Gorr: Überlegen Sie, welche Probleme Sie lösen möchten oder welche Informationen Sie möglicherweise finden möchten, und versuchen Sie, sich darüber im Klaren zu sein. Berücksichtigen Sie alle verschiedenen Komponenten, dokumentieren und testen Sie dann jeden dieser verschiedenen Teile. Berücksichtigen Sie alle Beteiligten, erklären und vermitteln Sie es auf eine für das gesamte Team sinnvolle Art und Weise.

Wie wird sich Ihrer Meinung nach KI auf die Arbeit von Chip-Designern auswirken?

Gorr: Dadurch wird viel Humankapital für komplexere Aufgaben freigesetzt. Wir können KI verwenden, um Abfall zu reduzieren, Materialien zu optimieren und Design zu optimieren, aber der Mensch ist immer noch involviert, wenn es um die Entscheidungsfindung geht. Ich denke, das ist ein großartiges Beispiel für die Zusammenarbeit von Menschen und Technologie. Es ist auch eine Branche, in der alle Beteiligten, auch in der Fertigung, ein gewisses Maß an Verständnis für das Geschehen haben müssen. Aufgrund der Art und Weise, wie wir Dinge testen und über sie nachdenken, bevor wir sie auf dem Chip implementieren, ist es eine großartige Branche, KI voranzutreiben.

Wie sehen Sie die Zukunft von KI und Chipdesign?

Gorr: Vieles davon hängt von diesem menschlichen Element ab: der Einbeziehung der Menschen in den Prozess und der Verfügbarkeit dieses interpretierbaren Modells. Wir können mit den mathematischen Details der Modellierung viel anfangen, aber es hängt davon ab, wie die Leute sie nutzen, wie jeder im Prozess sie versteht und anwendet. Kommunikation und die Einbindung von Menschen auf allen Ebenen in den Prozess werden sehr wichtig sein. Wir werden weniger übergenaue Vorhersagen und mehr Transparenz in Bezug auf Informationen, den Austausch und den digitalen Zwilling sehen, und zwar nicht nur durch den Einsatz von KI, sondern auch durch die Nutzung unseres menschlichen Wissens und all der Arbeit, die viele Menschen im Laufe der Jahre geleistet haben.