人工知能を使用した予測 SoC フロアプラン

学習内容:

  • 既存のフロアプラン設計プロセスの問題点。
  • 人工知能がこのプロセスを最適化して、かかる時間を数週間からわずか数時間に短縮する方法。
  • さまざまなハードウェア設計プロセスを改善するために同じ方法論を拡張する潜在的なアプリケーション。

人工知能 (AI) は、製造、製薬、航空宇宙などを含む多くの市場に革命をもたらしましたが、ハードウェア システムは、これまで AI への大きな投資やイノベーションが見られなかった分野の 1 つです。

システム オン チップ (SoC) 生産のエンド ツー エンドのライフサイクルでは、多くの潜在的な機械学習 (ML) アプリケーションが可能ですが、この記事では、SoC ライフサイクルのフロア プランニング フェーズに焦点を当てます。 言うまでもなく、これは時間、コスト、人的資源を最も消費するプロセスの 1 つです。 具体的には、ML と最適化モデルを使用して、この SoC フェーズへの投資を指数関数的に削減することの有効性を評価することを検討します。

フロアプラン

半導体チップは、何十億ものトランジスタで構成されています。 フロアプランは、これらのトランジスタを、クロック、電源レールなどの他の必要なコンポーネントと共にダイに配置することを扱います。 それらの位置は、チップ サイズの小型化、パフォーマンスの向上、タイミング違反の回避、ワイヤの配線の容易化を達成するために最適化されています。 デザイン フローのこの重要なステップでは、ゲート レベルのネットリスト、制約、テクノロジ ライブラリ、タイミング ライブラリの I/O 情報などが必要です。 図1.

ただし、フロアプラン設計は通常、完了するまでに数週間かかります。 機械学習は、同じタスクを数時間で実行できる可能性があります。 これにより、半導体チップをより早く市場に投入できるようになり、エンジニアはより複雑な作業に専念できるようになります。

機械学習

機械学習は、データからさまざまなパターンと洞察を学習し、その学習を適用して正確で洞察に満ちた予測を行う人工知能の一種です。 フロアプランの最適化には、ML プロセスのさまざまなステップが必要です。

データ収集

ゲート レベルのネットリスト、制約、テクノロジ ライブラリ、I/O 情報など、フロアプランに必要な入力は、実績のあるシリコン チップから収集されます。

データの前処理

データ収集後、ML モデルをトレーニングする手順が開始されます。 最初のステップは、モデルのトレーニングに適した形式でデータを取得することです。これは、データの前処理として知られています。 データフィルタリング、データ品質チェック、データ変換、正規化、標準化など、いくつかの段階が含まれます。

モデルトレーニング

データの準備が完了したら、次のステップは ML モデルのトレーニングです。 目標は、最小の電力、性能、面積 (PPA) を最適化しながら、チップ上に配置する次のコンポーネントを予測することです。 強化学習は、この目標を達成するために使用できます。 反復的なアプローチを採用し、配置に報酬を与えることで、PPA を最小限に抑えながら、PPA を増加させる提案にペナルティを課します。

モデルのテストと展開

モデルのトレーニングが終わったら、次のステップは、目に見えないチップ ブロックでモデルのパフォーマンスをテストして、その予測の有効性を検証することです。 エンジニアによって検証された結果が満足のいくものであれば、展開の準備は完了です。 これらの手順によって行われるチップ ブロックの配置予測は、従来のアプローチよりも効率的かつ高速になります。

ブロック配置の追加の最適化

プロセスは前の段階で停止できます。 ただし、混合整数計画法 (MIP) ベースの最適化手法を使用することで、チップ ブロックの配置全体をさらに最適化することができます。 アルゴリズムは、データ セクションで定義されている指定された設計制約内で動作する PPA をさらに最小化する ML モデルで生成されたフロアプランを最適化することを目的として設定されます。

MIP を使用する利点は、さまざまなシナリオに対して最適化されたソリューションを生成できることです。 これは、設計を高速化するためにプロセスをスケーリングする際に非常に役立ちます。 このプロセス全体の段階的なアプローチを次に示します。 図2.

アルゴリズム

強化学習

強化学習は、試行錯誤のアプローチによる行動と学習を伴う一種の ML です。 これは、望ましい行動につながる行動に報酬を与えることによって達成されますが、望ましくない行動は罰せられます。

強化学習のアルゴリズムにはさまざまな種類がありますが、一般的に使用されている学習方法は Q ラーニングと呼ばれるものです。 (式は図 3 で定義). これは、エージェントがポリシーを受信しない場合 (強化学習ポリシーは、現在の環境観測から実行されるアクションの確率分布へのマッピングです)、環境の自己指向の探索につながります。

MIP 最適化

混合統合プログラミングは、大規模で複雑な問題を解決するために使用される最適化手法です。 定義された制約内で目標を最小化または最大化するために使用できます。

MIP の目的とコンテキストの定義の例:

最適化の価値

最適化手法を使用してプロセスのボトルネックを克服し、効率的なシステムを作成することは、異質な概念ではありません。 それは数十年前にさまざまな業界で成功裏に適用されており、その革新的な影響は、市場規模が数百億ドルに上るサプライチェーン管理で特に見られます。

AI を使用してサプライ チェーン管理を最適化することで、サプライ チェーン内の製造、流通、在庫配置の効率的なシステムを最小限のコストで実現できます。 これは、サプライ チェーンが大規模な影響を受けた COVID の際に明らかになりました。 サプライチェーンの最適化を採用した企業は、COVID の深刻な影響を免れただけでなく、多くの企業がそれを乗り越えることさえできました。 一方、そうしなかった企業は数十億ドルの損失を被り、いまだに回復していません。

用心する

AI は確かに強力ですが、その予測は盲目的に受け入れられるべきではなく、人間のエンジニアによって検証されなければなりません。 フィードバックは、制約を満たさない、または最適ではない誤ったフロアプランを出力する ML モデルに提供する必要があります。 ただし、一貫したフィードバックにより、モデルは改善されます。 ハードウェア業界は、初期オーバーヘッドを考慮する必要があります。

結論

AI (機械学習、深層学習など) を利用して、ハードウェアのライフサイクル全体で効果的なソリューションを合成、分析、シミュレート、展開、および開始する実用的なアプリケーションは他にも多数あり、数十億ドルの影響力を持つ可能性があります。 この記事では、これらのアプリケーションの 1 つを見て表面をなぞっただけです。

ソフトウェア技術業界と同様に、ハードウェア技術業界のリーダーも、この分野で AI の可能性を最大限に実現するために団結して取り組む必要があります。 最初のステップとして、近い将来と遠い将来の両方のイノベーション ロードマップを構築するために、AI とハードウェア設計の分野での専用研究に資金を提供することを提案します。

Leave a Comment

Your email address will not be published. Required fields are marked *