의 끝 무어의 법칙 다가오고 있습니다. 엔지니어와 디자이너는 할 수 있는 일이 많지 않습니다. 트랜지스터를 소형화하다 그리고 가능한 한 많은 것을 칩에 담으세요그래서 그들은 칩 설계에 다른 접근 방식을 택하고 있으며, AI와 같은 기술을 프로세스에 통합하고 있습니다.
예를 들어 삼성은 메모리 칩에 AI 추가 메모리에서 처리가 가능하여 에너지를 절약하고 머신 러닝을 가속화합니다. 속도에 대해 말하자면, Google의 TPU V4 AI 칩은 처리 능력이 두 배로 증가했습니다 이전 버전과 비교해서.
그러나 AI는 반도체 산업에 더 많은 약속과 잠재력을 가지고 있습니다. AI가 칩 설계에 어떻게 혁명을 일으킬지 더 잘 이해하기 위해 우리는 다음과 이야기를 나누었습니다. 헤더 고르수석 제품 관리자 매스웍스‘ MATLAB 플랫폼.
현재 AI는 차세대 칩을 설계하는 데 어떻게 사용되고 있습니까?
헤더 고르: AI는 설계 및 제조 공정을 포함한 사이클의 대부분 부분에 관여하기 때문에 매우 중요한 기술입니다. 여기에는 많은 중요한 응용 프로그램이 있으며, 사물을 최적화하려는 일반 공정 엔지니어링에도 있습니다. 결함 감지는 특히 제조에서 프로세스의 모든 단계에서 큰 역할을 한다고 생각합니다. 하지만 설계 프로세스에서 미리 생각해도, [AI now plays a significant role] 조명과 센서, 그리고 모든 다른 구성 요소를 설계할 때. 고려해야 할 이상 탐지와 오류 완화가 많이 있습니다.
헤더 고르매스웍스
그런 다음, 모든 산업에서 볼 수 있는 물류 모델링을 생각해 보면, 완화하고 싶은 계획된 가동 중단이 항상 있습니다. 하지만 계획되지 않은 가동 중단도 발생합니다. 따라서 예상보다 제조에 시간이 조금 더 걸렸던 과거 데이터를 되돌아보면, 모든 데이터를 살펴보고 AI를 사용하여 근접 원인을 식별하거나 처리 및 설계 단계에서도 튀어나올 수 있는 것을 확인할 수 있습니다. 우리는 종종 AI를 예측 도구 또는 무언가를 하는 로봇으로 생각하지만, 많은 경우 AI를 통해 데이터에서 많은 통찰력을 얻습니다.
칩 설계에 AI를 사용하면 어떤 이점이 있습니까?
고르: 역사적으로 우리는 물리 기반 모델링을 많이 보았는데, 이는 매우 집약적인 프로세스입니다. 우리는 다음을 수행하고 싶습니다. 감소된 순서 모델이렇게 계산 비용이 많이 들고 광범위한 모델을 해결하는 대신, 우리는 조금 더 저렴한 것을 할 수 있습니다. 말하자면, 물리 기반 모델의 대리 모델을 만들고 데이터를 사용한 다음, 매개변수 스윕당신의 최적화, 당신의 몬테카를로 시뮬레이션 대리 모델을 사용합니다. 물리 기반 방정식을 직접 푸는 것보다 계산 시간이 훨씬 덜 걸립니다. 그래서 우리는 여러 면에서 그 이점을 보고 있는데, 여기에는 실험과 시뮬레이션을 빠르게 반복하는 것의 결과인 효율성과 경제성이 포함되며, 이는 설계에 정말 도움이 될 것입니다.
그렇다면 어떤 의미에서는 디지털 트윈을 갖는 것과 같다는 말인가요?
고르: 정확히 그렇습니다. 사람들이 하는 일은 대체로 물리적 시스템 모델과 실험 데이터가 있는 것입니다. 그런 다음, 결합해서, 조정하고 튜닝할 수 있는 다른 모델이 있고, 다양한 매개변수와 실험을 시도하여 모든 상황을 휩쓸고 결국 더 나은 디자인을 만들어낼 수 있습니다.
그렇다면 효율성이 높아지고, 말씀하신 대로 비용도 저렴해지나요?
고르: 네, 물론이죠. 특히 실험과 설계 단계에서는 다양한 것을 시도하는 거죠. 실제로 제조하고 생산한다면 엄청난 비용 절감이 될 거예요. [the chips]실제 공정 엔지니어링을 사용하여 아무것도 만들지 않고 가능한 한 시뮬레이션, 테스트, 실험을 수행하고 싶습니다.
우리는 이점에 대해 이야기했습니다. 단점은 어떻습니까?
고르: 그만큼 [AI-based experimental models] 물리 기반 모델만큼 정확하지 않은 경향이 있습니다. 물론, 그것이 여러분이 많은 시뮬레이션과 매개변수 스윕을 하는 이유입니다. 하지만 그것이 또한 디지털 트윈을 갖는 이점인데, 여러분이 그것을 염두에 둘 수 있는 곳에서 – 그것은 우리가 수년에 걸쳐 개발한 그 정밀한 모델만큼 정확하지 않을 것입니다.
칩 설계와 제조는 모두 시스템 집약적입니다. 모든 작은 부분을 고려해야 합니다. 그리고 그것은 정말 어려울 수 있습니다. 무언가를 예측하는 모델과 그것의 다른 부분이 있을 수 있지만, 여전히 모든 것을 하나로 모아야 하는 경우입니다.
또 다른 생각해야 할 점은 모델을 구축하기 위해 데이터가 필요하다는 것입니다. 다양한 센서와 다양한 팀의 데이터를 통합해야 하므로 도전이 더 어려워집니다.
엔지니어는 AI를 사용하여 하드웨어나 센서 데이터에서 더 나은 통찰력을 얻고 추출할 수 있을까요?
고르: 우리는 항상 AI를 사용하여 무언가를 예측하거나 로봇 작업을 하는 것에 대해 생각하지만, AI를 사용하여 패턴을 생각해 내고 스스로 알아차리지 못했을 수 있는 것을 골라낼 수 있습니다. 사람들은 여러 다른 센서에서 고주파 데이터가 나올 때 AI를 사용하며, 주파수 영역과 데이터 동기화 또는 리샘플링과 같은 것을 탐색하는 것이 유용한 경우가 많습니다. 어디서부터 시작해야 할지 잘 모르겠다면 정말 어려울 수 있습니다.
제가 말하고 싶은 것 중 하나는 사용 가능한 도구를 사용하는 것입니다. 이런 일을 하는 사람들의 커뮤니티가 방대하고, 많은 예를 찾을 수 있습니다. [of applications and techniques] ~에 깃허브 또는 MATLAB 센트럴사람들이 좋은 사례, 심지어 그들이 만든 작은 앱까지 공유한 곳입니다. 저는 우리 중 많은 사람들이 데이터에 묻혀서 무엇을 해야 할지 잘 모르겠다고 생각합니다. 그러니 커뮤니티에 이미 나와 있는 것을 꼭 활용하세요. 탐색해서 자신에게 맞는 것을 찾고, 도메인 지식과 도구 및 AI에서 얻은 통찰력의 균형을 가져올 수 있습니다.
엔지니어와 디자이너는 무엇을 고려해야 합니까?칩 설계에 AI를 활용할까?
고르: 어떤 문제를 해결하려고 하는지 또는 어떤 통찰력을 찾고 싶은지 생각해보고, 그것에 대해 명확하게 하세요. 모든 다른 구성 요소를 고려하고, 그 다른 부분 각각을 문서화하고 테스트하세요. 관련된 모든 사람을 고려하고, 전체 팀에 합리적인 방식으로 설명하고 인계하세요.
AI가 칩 설계자의 일자리에 어떤 영향을 미칠 것이라고 생각하시나요?
고르: 더 진보된 작업을 위해 많은 인적 자본을 확보할 수 있을 것입니다. AI를 사용하여 낭비를 줄이고, 재료를 최적화하고, 디자인을 최적화할 수 있지만, 의사 결정에 관해서는 여전히 인간이 관여해야 합니다. 저는 이것이 사람과 기술이 손을 잡고 일하는 좋은 예라고 생각합니다. 또한 제조 현장에 있는 모든 사람이 무슨 일이 일어나고 있는지 어느 정도 이해해야 하는 산업이기도 하므로, 칩에 넣기 전에 사물을 테스트하고 생각하는 방식 때문에 AI를 발전시키기에 좋은 산업입니다.
AI와 칩 설계의 미래를 어떻게 생각하시나요?
고르: 그것은 그 인간적 요소에 크게 의존합니다. 사람들을 프로세스에 참여시키고 해석 가능한 모델을 갖는 것입니다. 우리는 모델링의 수학적 세부 사항으로 많은 것을 할 수 있지만, 사람들이 그것을 어떻게 사용하는지, 프로세스에 있는 모든 사람들이 그것을 어떻게 이해하고 적용하는지에 달려 있습니다. 프로세스에서 모든 기술 수준의 사람들의 소통과 참여가 정말 중요할 것입니다. 우리는 그런 초정밀 예측을 덜 보고 정보의 투명성, 공유, 그리고 디지털 트윈을 더 많이 볼 것입니다. AI를 사용할 뿐만 아니라 우리의 인간적 지식과 수년에 걸쳐 많은 사람들이 해온 모든 작업을 사용합니다.
