電子發燒友App
機器已可以制造其他機器，因此人工智能將幫助構建它們存在所需的組件，包括處理器和存儲設備——這聽起來沒錯。但我們距離人工智能取代設計工程師還有很長的路要走。機器學習 (ML) 和算法的直接好處是通過加速繁瑣、耗時的任務來提高生產力。
埃森哲關于生成式人工智能的年度技術愿景報告的最新研究發現，69% 的全球高科技高管希望他們的組織能夠從人工智能的加速創新中受益。高科技行業主管Syed Alam在接受《EE Times》獨家采訪時表示，制造和供應鏈是正在探索生成式人工智能以支持芯片制造流程的領域。
Alam說：“生成式人工智能可以通過協助質量檢查和生產調度來提高芯片利用率和產量，”而供應鏈可以通過監控和識別產品交付中的斷點來優化材料可用性來改善。
他補充說，設計是人工智能將產生影響的另一個領域，因為它可以通過幫助管理整個芯片生命周期的復雜性來提高上市速度，例如快速原型設計和輕松查看產品的所有數字文檔。
“生成式人工智能的出現對半導體公司意味著，他們需要從根本上重新思考工作的完成方式，”他說。“重點必須放在不斷發展的運營和人員培訓上，就像技術上一樣。”
01.?AI 擅長優化
華邦電子公司移動 DRAM 經理 Tetsu Ho 在接受《EE Times》獨家采訪時表示，他認為人工智能有潛力通過提高性能、減少缺陷和提高效率來徹底改變芯片的設計和制造。“我們認為人工智能可以幫助設計周期時間，例如電路布局和效率模擬結果。”
在設計過程方面，Ho補充說，可以使用ML算法來優化芯片性能。人工智能還可以幫助生成新的芯片架構并優化芯片布局，從而提高性能，同時降低功耗。
他表示，設計可以進一步優化，因為人工智能可以幫助預測不同場景下的芯片行為，以識別潛在問題。同樣，人工智能可用于制造中，以識別和糾正生產線中的問題，也可用于分析傳感器數據，以識別制造過程中芯片的缺陷。他補充說，人工智能還可以指導流程調整，以減少缺陷并提高良率。
此外，人工智能還可以用來改善質量控制，因為它可以識別人類難以察覺的缺陷，例如肉眼無法看到的劃痕或裂紋。
“由于大量有意義的標簽數據，人工智能可以加快先進工藝節點產品的產量提升，并優化進度周期時間。”
例如，Nvidia首席科學家 Bill Dally 在獨家專訪中告訴《EE Times》，Nvidia 正在與德克薩斯大學合作，探索人工智能如何通過基于 DREAMPlace 的自動宏布局 (AutoDMP)來幫助設計過程，以優化宏布局。
AutoDMP 使用開源分析放置器 DREAMPlace 作為并發宏和單元放置的放置引擎，并使用 PyTorch 深度學習 (DL) 框架來訓練神經網絡。Dally 表示，DREAMPlace 的優點是運行速度非常快，因此可以進行許多試驗和學習，盡管它不是當今與 AI 最相關的 DL 框架。
圖：Nvidia 正在與德克薩斯大學合作，探索人工智能如何通過基于 DREAMPlace 的自動化宏布局來幫助設計過程，以優化宏布局。(來源：英偉達)
Dally 說，放置宏有許多經過驗證的做法，但手動找到最佳位置非常耗時。宏布局是芯片設計過程的一個關鍵方面，因為它對芯片的布局有重大影響，直接影響面積和功耗等許多設計指標。如今，大多數數字芯片集成了許多宏，通常是內存博客或模擬塊，它們通常比標準單元大得多。
Dally 表示，AutoDMP 研究不僅證明了將 GPU 加速布局器與 AI/ML 多目標參數優化相結合的有效性，而且還可能帶來額外的設計空間探索技術。
02.?簡單的人工智能可以加快設計過程
使用人工智能進行芯片設計并不需要很復雜，其價值在于它將人類從重復性任務中解放出來，同時還可以減少錯誤并提高準確性。Dally 表示，Nvidia 使用人工智能的另一個例子是通過強化學習，使用名為 NVCell 的工具來設計單元庫。
“它比人類更好。”
從 5 nm 轉移到 3 nm 需要重新布局庫中的 2,500 個單元，同時遵守復雜的現代設計規則，Dally 表示，這項工作過去需要 10 個人花費 8 個月的時間才能完成。
“現在，只需在 GPU 上運行一整夜即可。”
他說，這是人工智能作為生產力工具的一個例子，它可以讓設計師減少瑣碎的勞動，專注于做出更高層次的決策——轉向新流程時節省的時間可以用來做更有價值的事情。
“這節省了人們的時間，因此我們可以用更少的人做更多的事情。”
03.?這是團隊的努力
Dally指出，我們的目標不是擺脫人們。“我們想做更多。對于其他芯片，我們有很多很棒的想法。”
如果沒有人工智能生產力工具，就會出現工時短缺——五件事可能會因為沒有足夠的時間而被刮掉。“現在，我們將能夠做這五件事，因為我們將擁有相同數量的人員，但他們的生產力會更高。”
他補充說，以前設計的訓練數據也可以用于新設計，以加快這一過程。“我們有一個我們設計的芯片檔案，可以用來訓練工具。他們了解設計師在這些芯片中放入了什么，并可以在其他芯片中復制這些內容。”
但Dally表示，良好的芯片設計需要創造力和經驗，而人工智能僅在規定和受限的場景中有效。
“一旦做出重大決策，人工智能就能更好地優化事物。”
Lam Research (泛林研究)還在探索人類和人工智能如何最好地合作來優化芯片設計，因為隨著芯片尺寸不斷縮小，復雜性不斷增加，對精度和準確度的需求也隨之增加。該研究公司最近在《自然》雜志上發表了一項研究，概述了人類和機器合作與工程師或人工智能單獨合作時的差異。
圖：Lam Research 創建了一個虛擬環境來快速測試算法如何找到控制等離子體與硅晶圓相互作用的合適配方。(來源：泛林研究)
泛林研究執行副總裁兼首席執行官顧問 Rick Gottscho 在接受《EE Times》的采訪時表示，最好的方法似乎是“人類優先，計算機最后”的合作。
泛林研究讓工程師和計算機算法相互競爭，為芯片制造中使用的原子級等離子體蝕刻工藝開發出一種理想的配方，研究發現，雖然人類工程師仍然至關重要，但混合人機方法可以幫助減輕繁瑣和困難。研發的繁重工作，使工程師能夠專注于更具挑戰性的問題。
Gottscho 表示，芯片被用來設計芯片已經有幾十年了。“正在發生的事情是，那些用于設計芯片和進行布局的自動化例程變得比過去更加復雜。”
然而，在處理器領域，很難有效地使用計算機輔助設計，他說。
“方案是通過反復試驗而制定的。” Gottscho 表示，這個問題比 Nvidia 等公司正在解決的布局挑戰更難解決。
04.?“物理學非常復雜。”
自動駕駛汽車成為可能的原因之一是汽車上的許多傳感器收集大量數據，這些數據可以為適用于所有車輛的復雜算法提供信息。但如果您正在開發等離子體沉積工藝，則可以在蝕刻機上運行一百萬億種不同的配方，從而在晶圓上產生可測量的差異，Gottscho 解釋道。
“你如何從一百萬億個方案中挑選出一個?哪一個最好?”
他說，為了生成數據，每個實驗通常需要一天的時間并花費數千美元，這使得生成大數據變得不切實際。
Gottscho 表示，這項研究本身就是一個挑戰，因為 Lam 需要一種方法來公平地評估數據科學家生成的許多不同算法。他說，重要的一步不是在現實世界中這樣做。
“實驗時間太長，而且成本太高。我們需要太多的數據來評估一種算法，更不用說評估一大堆不同的算法了。”
Gottscho說，這就是研究人員選擇在虛擬世界中進行實驗的原因。
“我們創建了一個虛擬環境來模仿等離子蝕刻機上發生的情況。” 在與工藝工程師確認它與現實世界一樣現實且令人沮喪后，Lam 能夠大幅降低實驗成本，并更快地評估一種算法與另一種算法的比較。
Gottscho 說，一個關鍵的結果是，數據科學家和他們最喜歡的機器學習算法都嚴重失敗，因為他們缺乏領域知識和經驗。與此同時，專家工程師和初級工程師的學習曲線都遵循特定的模式。
“通過一些實驗，他們會學得很快。”
研究最終表明，工程師在達到客戶目標的調整過程中會取得令人滿意的進展，但在某個時刻，他們會因為沒有取得太大進展而感到沮喪。
“這就是花費大部分時間和金錢的地方。”
05.?人工智能需要人來解決設計問題
Gottscho 說，研究表明，人工智能可以接管一個交接點，從工程師的努力中學習——他們的工作教授算法，以便它可以被快速利用，并處理緩慢、令人沮喪的過程。的過程。“這是為了提高人們的生產力。”
他說，這也表明采取混合方法是必要的。“沒有領域知識的機器就像新生嬰兒。神經網絡中沒有連接。沒有學習的余地。”
Gottscho 表示，這意味著人工智能不會很快取代半導體設計行業的人員——嬰兒需要時間來學習。
“你需要某種方法來整理之前的學習成果。”
他說，訣竅是從那些從事他們喜歡的工作的人那里汲取經驗，因為他們進步很快。
“當它變成苦差事時，那就是你把它交給更擅長這項苦差事的機器的時候。”
編輯：黃飛
?
工商網監
評論