Moderne IC's zijn enorm ingewikkeld. Een gemiddelde desktopcomputerchip, vanaf 2015, heeft meer dan 1 miljard transistors. Ook de regels voor wat wel en niet kan worden vervaardigd zijn uiterst complex. Gewoon IC processen van 2015 hebben meer dan 500 regels. Bovendien, aangezien het fabricageproces zelf niet volledig voorspelbaar is, moeten ontwerpers rekening houden met de statistische aard ervan. De complexiteit van modern IC-ontwerp, evenals de druk van de markt om snel ontwerpen te produceren, hebben geleid tot het uitgebreide gebruik van geautomatiseerde ontwerptools in het IC-ontwerpproces. Kortom, het ontwerp van een IC met behulp van EDA-software is het ontwerp, de test en de verificatie van de instructies die de IC moet uitvoeren.
Cadence Design Systems, Inc kondigt de levering aan van de Cadence Cerebrus Intelligent Chip Explorer, een nieuwe op machine learning (ML) gebaseerde tool die het ontwerp van digitale chips automatiseert en schaalt, waardoor klanten op efficiënte wijze veeleisende chipontwerpdoelen kunnen bereiken. De combinatie van Cerebrus en de Cadence RTL-to-signoff-stroom biedt geavanceerde chipontwerpers, CAD-teams en IP-ontwikkelaars de mogelijkheid om de engineeringproductiviteit tot 10x te verbeteren in vergelijking met een handmatige benadering, terwijl ook een tot 20% beter vermogen, prestatie en gebied wordt gerealiseerd (PPA).
Met de toevoeging van Cerebrus aan de bredere digitale productportfolio, biedt Cadence de meest geavanceerde ML-enabled digitale volledige stroom van de industrie, van synthese tot implementatie en aftekening. De nieuwe tool is cloud-enabled op Amazon Web Services (AWS) en andere toonaangevende cloudplatforms en maakt gebruik van zeer schaalbare computerbronnen om snel te voldoen aan ontwerpvereisten in een breed scala van markten, waaronder consumenten, hyperscale computing, 5G-communicatie, automotive en mobiel.
ELE Times-correspondent Mayank Vashisht sprak met Venkat Thanvantri, VP Research & Development, AI/ML for Digital en Signoff, Cadence over hoe geautomatiseerde processen nuttig kunnen zijn in de chipontwerpcyclus en hoe ze direct passen bij de ontwerpers. We spraken ook over Cadence's nieuwste aas in de hole 'Cerebrus'.
fragmenten:
ELE Times: Hoe kan ML de middelen bieden om de chipontwerpcyclus te verkorten, waardoor een meer geïntegreerde relatie tussen hardware en ML ontstaat, waarbij de een de vooruitgang in de ander stimuleert?
Cadans: Om de Halfgeleider industrie om te blijven groeien, moet het chipontwerpproces efficiënter worden. Met de beschikbaarheid van massale, cloud-enabled, gedistribueerde computing en verbeteringen in machine learning, is de volgende revolutie in chipontwerpautomatisering nu mogelijk.
ELE Times: Hoe Cerebrus verschilt van andere ML-tools voor ontwerpen, aangezien Google ML ook heeft geïntroduceerd als een tool in chipontwerp (Reinforcement Learning Model).
Cadans: De Cadence Cerebrus Intelligent Chip Explorer maakt gebruik van zowel gedistribueerde computer- als machine learning-technologieën om sneller betere kracht, prestaties en oppervlakte (PPA) te leveren. Cerebrus is gebaseerd op de toonaangevende Cadence digitale full flow. Engineeringteams kunnen nu schalen en productiever worden met behulp van de Cerebrus-leermotor voor versterking om de uitdagingen van steeds grotere en complexere system-on-chip (SoC)-ontwerpen aan te gaan. De belangrijkste onderscheidende factor hier is dat Cerebrus machine learning in de volledige digitale stroom aanpakt, in plaats van slechts een deel van de stroom.
ELE Times: Welke voordelen biedt 'Cerebrus' voor de ontwerpingenieurs?
Cadans: Hoewel ontwerp technologie is de afgelopen decennia veel geavanceerder geworden, de basisstroom van het chipontwerp is hetzelfde gebleven. Een van de grootste ontwerpuitdagingen van vandaag gaat over een tekort aan bekwame ontwerp- en implementatie-ingenieurs. De huidige teams zijn overbelast, wat gevolgen heeft voor het vermogen van bedrijven om nieuwe producten op de markt te brengen. De realiteit is dat toekomstige chips sneller moeten worden geproduceerd met meer automatisering.
Gelukkig zijn er de afgelopen jaren enkele sleuteltechnologieën beschikbaar gekomen die de volgende grote sprong voorwaarts in de productiviteit van chipontwerpen mogelijk zullen maken: engineeringteams hebben nu toegang tot enorme rekenkracht, zowel on-premises als met behulp van cloudbronnen, en machine learning heeft aanzienlijke vooruitgang geboekt en is nu klaar en beschikbaar voor elektronische ontwerpautomatisering. Beide technologieën hebben de volgende revolutie in chipontwerp mogelijk gemaakt: geautomatiseerde, machine learning-gestuurde stroomoptimalisatie, en dat is waar Cerebrus om de hoek komt kijken.
Door gebruik te maken van een volledig geautomatiseerde, door machine learning aangestuurde, RTL-naar-GDS full-flow optimalisatietechnologie, kan Cerebrus sneller betere Power, Performance en Area (PPA)-resultaten leveren dan een handmatig afgestemde flow, waardoor de productiviteit van het engineeringteam wordt verbeterd.
ELE Times: Het proces van Digital Design kan een probleemoplossende methode zijn, gezien de cognitieve en strategische resultaten die het biedt. Reageer alstublieft op de Verklaring vanuit uw perspectief en in termen van de door Cerebrus aangeboden diensten.
Cadans: De implementatie van digitaal ontwerp is vrij sterk afhankelijk geweest van de kennis en expertise van de ontwerpers, en de kwaliteit van de resultaten varieert sterk tussen ontwerpers of teams en de methoden en processen die ze volgen. Met behulp van de op Cerebrus gebaseerde implementatiestroom kunnen ontwerpbedrijven gebruikmaken van ML-technologie om hun activiteiten op te schalen om veel meer circuits efficiënter te ontwerpen, waardoor de ontwerpteams een hogere productiviteit krijgen.
ELE Times: wat vindt u van de toekomst van ML-verbeterde EDA-tools?
Cadans: ML kan enorme voordelen opleveren voor elektronische ontwerpautomatisering (EDA). Met ML kunnen EDA-tools efficiënt en schaalbaar worden naarmate de grootte en complexiteit van het ontwerp toenemen. We bevinden ons nog in de zeer vroege stadia van het toepassen van ML-technologieën op de EDA-industrie en -tools. Zoals de automotive industrie gaat naar zelfsturend, EDA-tools die gebruikmaken van ML-technologieën zullen veel gebruiksvriendelijker worden en “zelfrijdend” naar de beste oplossingen. De nadruk ligt hier op het sturen van de oplossing naar beslissingen of acties die waarschijnlijk een gunstiger resultaat opleveren (meestal gemeten als beter vermogen, prestaties en oppervlakte of PPA), waarbij de technologie snel oplossingen vindt die menselijke ingenieurs misschien niet van nature proberen ontdekken.
Mayank Vashisht | Sub-editor | ELE Times