AI가 칩 설계를 어떻게 변화시킬 것인가

무어의 법칙의 종말이 다가오고 있습니다. 엔지니어와 설계자는 트랜지스터를 소형화하고 최대한 많은 트랜지스터를 칩에 담기 위해 할 수 있는 일이 제한되어 있습니다. 따라서 그들은 AI와 같은 기술을 프로세스에 통합하여 칩 설계에 대한 다른 접근 방식으로 전환하고 있습니다.

예를 들어 삼성은 메모리 칩에 AI를 추가해 메모리 내 처리를 가능하게 함으로써 에너지를 절약하고 머신러닝 속도를 높이고 있습니다. 속도에 관해 말하자면, Google의 TPU V4 AI 칩은 이전 버전에 비해 처리 능력이 두 배로 향상되었습니다.

그러나 AI는 반도체 산업에 있어 여전히 더 많은 가능성과 잠재력을 갖고 있습니다. AI가 어떻게 칩 설계에 혁명을 일으키도록 설정되었는지 더 잘 이해하기 위해 우리는 헤더 고르수석 제품 관리자 MathWorks‘ MATLAB 플랫폼.

AI는 현재 차세대 칩을 설계하는 데 어떻게 사용되고 있나요?

헤더 고르: AI는 설계 및 제조 프로세스를 포함하여 주기의 대부분의 부분에 관여하기 때문에 매우 중요한 기술입니다. 여기에는 우리가 최적화하려는 일반 프로세스 엔지니어링에도 중요한 응용 프로그램이 많이 있습니다. 결함 탐지는 공정의 모든 단계, 특히 제조 과정에서 매우 중요하다고 생각합니다. 하지만 디자인 과정을 미리 생각하더라도 [AI now plays a significant role] 조명과 센서, 그리고 모든 다른 구성 요소를 디자인할 때요. 정말로 고려해야 할 이상 탐지 및 결함 완화가 많이 있습니다.

헤더 고르MathWorks

그런 다음 모든 업계에서 볼 수 있는 물류 모델링을 생각해 보면 항상 완화하고 싶은 계획된 가동 중지 시간이 있습니다. 하지만 계획되지 않은 가동 중지 시간도 발생하게 됩니다. 따라서 무언가를 제조하는 데 예상보다 시간이 조금 더 걸렸던 순간에 대한 과거 데이터를 되돌아보면 해당 데이터를 모두 살펴보고 AI를 사용하여 대략적인 원인을 식별하거나 가공과 디자인 단계에서도 튀어나올 수 있는 것을 보기 위해. 우리는 AI를 예측 도구나 무언가를 수행하는 로봇으로 생각하는 경우가 많지만, AI를 통해 데이터에서 많은 통찰력을 얻는 경우가 많습니다.

칩 설계에 AI를 사용하면 어떤 이점이 있나요?

고르: 역사적으로 우리는 매우 집약적인 프로세스인 물리학 기반 모델링을 많이 보아왔습니다. 우리는 주문 감소 모델계산적으로 비용이 많이 들고 광범위한 모델을 해결하는 대신 조금 더 저렴한 작업을 수행할 수 있습니다. 말하자면, 물리 기반 모델의 대리 모델을 만들고 데이터를 사용한 다음 작업을 수행할 수 있습니다. 매개변수 스윕귀하의 최적화, 귀하의 몬테카를로 시뮬레이션 대리 모델을 사용합니다. 이는 물리학 기반 방정식을 직접 푸는 것보다 계산 시간이 훨씬 적게 걸립니다. 따라서 우리는 설계에 실제로 도움이 될 실험과 시뮬레이션을 빠르게 반복한 결과인 효율성과 경제성을 포함하여 여러 가지 방법으로 이러한 이점을 확인하고 있습니다.

그렇다면 어떤 의미에서는 디지털 트윈을 갖는 것과 같나요?

고르: 정확히. 이것이 바로 사람들이 하고 있는 일이며, 물리적 시스템 모델과 실험 데이터가 있는 곳입니다. 그런 다음 이를 통해 다양한 상황을 모두 휩쓸고 결국 더 나은 디자인을 생각해 낼 수 있는 다양한 매개변수와 실험을 조정하고 시도할 수 있는 다른 모델이 있습니다.

그러면 더 효율적이고 말씀하신 것처럼 더 저렴해질까요?

고르: 응, 물론이지. 특히 다양한 것을 시도하는 실험 및 디자인 단계에서는 더욱 그렇습니다. 실제로 제조하고 생산하는 경우 이는 분명히 극적인 비용 절감 효과를 가져올 것입니다. [the chips]. 실제 프로세스 엔지니어링을 사용하여 무언가를 만들지 않고 가능한 한 많이 시뮬레이션하고 테스트하고 실험하고 싶습니다.

우리는 이점에 대해 이야기했습니다. 단점은 어떻습니까?

고르: 그만큼 [AI-based experimental models] 물리학 기반 모델만큼 정확하지 않은 경향이 있습니다. 물론 이것이 바로 많은 시뮬레이션과 매개변수 스윕을 수행하는 이유입니다. 하지만 이는 디지털 트윈을 갖는 것의 이점이기도 합니다. 이를 염두에 둘 수 있습니다. 이는 우리가 수년에 걸쳐 개발한 정확한 모델만큼 정확하지는 않을 것입니다.

칩 설계와 제조 모두 시스템 집약적입니다. 모든 작은 부분을 고려해야합니다. 그리고 그것은 정말 어려울 수 있습니다. 무언가와 그것의 다른 부분을 예측하는 모델이 있을 수 있지만 여전히 모든 것을 하나로 모아야 하는 경우입니다.

고려해야 할 또 다른 사항 중 하나는 모델을 구축하려면 데이터가 필요하다는 것입니다. 모든 종류의 다양한 센서와 다양한 팀의 데이터를 통합해야 하므로 도전 과제가 더욱 커집니다.

엔지니어는 어떻게 AI를 사용하여 하드웨어 또는 센서 데이터에서 통찰력을 더 잘 준비하고 추출할 수 있습니까?

고르: 우리는 항상 AI를 사용하여 무언가를 예측하거나 로봇 작업을 수행하는 것에 대해 생각하지만, AI를 사용하여 패턴을 찾아내고 이전에 알아채지 못했던 것을 스스로 선택할 수 있습니다. 사람들은 다양한 센서에서 나오는 고주파 데이터가 있을 때 AI를 사용하게 되며, 주파수 영역과 데이터 동기화 또는 리샘플링과 같은 작업을 탐색하는 것이 유용한 경우가 많습니다. 어디서부터 시작해야 할지 모르겠다면 정말 어려울 수 있습니다.

제가 말씀드리고 싶은 것 중 하나는 사용 가능한 도구를 사용하라는 것입니다. 이러한 일을 하는 사람들로 구성된 광범위한 커뮤니티가 있으며, 많은 예를 찾을 수 있습니다. [of applications and techniques] ~에 GitHub 또는 MATLAB 센트럴사람들이 좋은 예를 공유한 곳, 심지어 자신이 만든 작은 앱도 있습니다. 우리 중 많은 사람들이 데이터에 묻혀 있고 이를 어떻게 해야 할지 확신하지 못하고 있다고 생각합니다. 따라서 커뮤니티에 이미 있는 것을 확실히 활용하십시오. 자신에게 적합한 것이 무엇인지 탐색하고 확인하고 도메인 지식과 도구 및 AI에서 얻은 통찰력의 균형을 가져올 수 있습니다.

엔지니어와 설계자는 무엇을 고려해야 합니까?칩 설계에 AI를 사용하시나요?

고르: 해결하려는 문제가 무엇인지, 어떤 통찰력을 찾고 싶은지 생각해 보고 이에 대해 명확하게 설명하세요. 다양한 구성 요소를 모두 고려하고 각 부분을 문서화하고 테스트하세요. 관련된 모든 사람을 고려하고 팀 전체에 합리적인 방식으로 설명하고 전달하십시오.

AI가 칩 설계자의 업무에 어떤 영향을 미칠 것이라고 생각하시나요?

고르: 이는 보다 발전된 작업을 위해 많은 인적 자본을 확보할 것입니다. 우리는 AI를 사용하여 낭비를 줄이고, 재료를 최적화하고, 디자인을 최적화할 수 있지만, 의사 결정에 있어서는 여전히 인간이 참여하게 됩니다. 저는 이것이 사람과 기술이 함께 협력하는 훌륭한 예라고 생각합니다. 또한 제조 현장에서도 관련된 모든 사람이 무슨 일이 일어나고 있는지 어느 정도 이해해야 하는 산업입니다. 따라서 사물을 테스트하는 방법과 제품을 출시하기 전에 이에 대해 생각하는 방식으로 인해 AI를 발전시키는 데 훌륭한 산업입니다. 칩에 있습니다.

AI와 칩 설계의 미래를 어떻게 예상하시나요?

고르: 프로세스에 사람을 참여시키고 해석 가능한 모델을 갖추는 등 인간적 요소에 크게 의존합니다. 우리는 모델링의 수학적 세부 사항으로 많은 일을 할 수 있지만 결국 사람들이 이를 어떻게 사용하고 프로세스에 참여하는 모든 사람이 이를 어떻게 이해하고 적용하는지에 따라 결정됩니다. 이 과정에서 모든 기술 수준의 사람들의 의사소통과 참여가 정말 중요할 것입니다. 우리는 초정밀 예측이 줄어들고 정보, 공유 및 디지털 트윈의 투명성이 높아질 것입니다. AI를 사용할 뿐만 아니라 인간의 지식과 수년 동안 많은 사람들이 수행한 모든 작업을 사용할 수도 있습니다.