Q&A: AI がチップ設計をどのように変えるか

ムーアの法則の終わりは近づいています。エンジニアや設計者がトランジスタを小さくし、できるだけ多くのトランジスタをチップに詰め込むためにできることは限られています。そこで彼らは、AIなどのテクノロジーをプロセスに組み込んだ、チップ設計の別の方法に目を向けています。

たとえば、サムスンは自社のメモリチップに AI を追加してメモリ内処理を可能にし、これによりエネルギーを節約し、機械学習を高速化します。速度について言えば、Google の TPU V4 AI チップは、以前のバージョンと比較して処理能力が 2 倍になっています。

しかし、AI は半導体業界にとって依然として大きな期待と可能性を秘めています。 AI がどのようにチップ設計に革命を起こそうとしているのかをより深く理解するために、MathWorks の MATLAB プラットフォームのシニア プロダクト マネージャーである Heather Gore に話を聞きました。

AI は現在、次世代チップの設計にどのように使用されていますか?

ヘザー・ゴー: AI は設計や製造プロセスを含むサイクルのほとんどの部分に関与しているため、非常に重要なテクノロジーです。ここには、最適化が必要な一般的なプロセスエンジニアリングにおいても、重要なアプリケーションがたくさんあります。欠陥検出はプロセスのあらゆる段階で、特に製造においては素晴らしいことだと思います。しかし、設計プロセスの先のことを考えても、 [AI now plays a significant role] 照明やセンサー、その他すべてのさまざまなコンポーネントを設計するとき。本当に考慮すべき異常検出とトラブルシューティングがたくさんあります。

ヘザー・ゴーマスワークス

繰り返しになりますが、どの業界でも見られる物流モデリングについて考えると、最小限に抑えたい計画的なダウンタイムが常に存在します。しかし、最終的には計画外のダウンタイムにも対処しなければなりません。したがって、何かの構築に予想よりも少し時間がかかった瞬間があったときに、その履歴データを調べて、AI を使用して、直接の原因を特定したり、処理や設計の段階で発生した可能性のある問題を探したりすることができます。私たちは AI を予測ツール、または何かを行うロボットとして考えがちですが、多くの場合、AI を通じてデータから多くの情報が得られます。

チップ設計に AI を使用する利点は何ですか?

ゴール: 歴史的に、私たちは物理ベースのモデリングを数多く見てきましたが、これは非常に集中的なプロセスです。私たちは、このような計算コストが高く大規模なモデルを解決する代わりに、もう少し安価に何かを実行できる、次数を減らしたモデルを作成したいと考えています。物理ベースのモデルのサロゲート モデルを作成し、そのデータを使用して、サロゲート モデルを使用してパラメータ スイープ、最適化、モンテカルロ シミュレーションを実行できます。これは、物理ベースの方程式を直接解くよりも、計算にかかる時間がはるかに短くなります。そのため、設計に実際に役立つ実験やシミュレーションの反復を高速化することによってもたらされる効率や規模の経済など、さまざまな面でそのメリットが得られることを私たちは確認しています。

それはデジタルツインを持つようなものでしょうか?

ゴール: 絶対に。物理システム モデルと実験データがあれば、人々はほぼ同じことを行っています。次に、この 2 番目のモデルを組み合わせて、変更や調整を行ったり、さまざまなパラメーターや実験を試したりして、さまざまな状況をすべて経験し、最終的により良い設計を思いつくことができます。

つまり、より効率的で、先ほどもおっしゃったように、より安くなるということでしょうか。

ゴール: はい、確かに。特に実験や設計の段階では、さまざまなことを試します。実際に製造や生産を行っている場合、これは明らかに大幅なコスト削減につながります。 [the chips]。実際のプロセスエンジニアリングを使用して何かを構築することなく、可能な限りシミュレーション、テスト、実験を行いたいと考えています。

メリットについてお話してきました。欠点についてはどうでしょうか？

ゴール: [AI-based experimental models] これらは物理ベースのモデルほど正確ではありません。もちろん、複数のシミュレーションとパラメーター スイープを実行するのはそのためです。しかし、これはデジタル ツインを使用する利点でもあり、デジタル ツインは、私たちが何年もかけて開発した正確なモデルほど正確ではないことを念頭に置いておくことができます。

チップの設計と製造はどちらもシステム集約的です。あらゆる小さな部分を考慮する必要があります。そして、これは非常に困難な場合があります。これは、何かとそのさまざまな部分を予測するためのモデルがあるかもしれないが、それでもすべてを統合する必要がある場合です。

他に考慮すべきことの 1 つは、モデルを構築するためにデータが必要であるということです。あらゆる種類のさまざまなセンサーやさまざまな種類のチームからのデータを組み込む必要があり、それが課題を増大させます。

エンジニアは AI をどのように活用して、ハードウェアやセンサ​​ーのデータから洞察をより適切に定式化して抽出できるでしょうか?

ゴール: 私たちは常に AI を使用して何かを予測したり、ロボットによるタスクを実行したりすることを考えていますが、AI を使用してパターンを考え出し、これまで気付かなかったものを認識することもできます。さまざまなセンサーからの高周波データがある場合、人々は AI を使用しますが、多くの場合、周波数領域やデータの同期、リサンプリングなどを検討するのに役立ちます。どこから始めればよいかわからない場合、これらは非常に困難になる可能性があります。

一つ言えるのは、利用可能なツールを使用することです。これらのことに取り組んでいる人々の巨大なコミュニティがあり、たくさんの例を見つけることができます [of applications and techniques] GitHub や MATLAB Central では、人々が自分で構築した小さなアプリであっても、良い例を共有しています。私たちの多くはデータに埋もれていて、それをどう扱えばよいかわからないと思います。そのため、コミュニティにすでに存在するものをぜひ活用してください。自分にとって重要なものを検索して確認し、ツールや AI から得られるドメイン知識と洞察のバランスを取り込むことができます。

エンジニアやデザイナーは何を考慮すべきでしょうか?チップ設計に AI を使用しますか?

ゴール: どのような問題を解決しようとしているのか、どのような洞察を得たいのかを考え、それを明確にするように努めてください。さまざまなコンポーネントをすべて検討し、それらのさまざまな部分をそれぞれ文書化してテストします。関係者全員を考慮し、チーム全体が納得できる方法で説明し、委任してください。

AI はチップ設計者の仕事にどのような影響を与えると思いますか?

ゴール: これにより、より高度なタスクに多くの人的資本が解放されることになります。 AI を使用して無駄を削減し、材料を最適化し、デザインを最適化することはできますが、意思決定に関しては依然として人間が関与する必要があります。これは人とテクノロジーが協力する素晴らしい例だと思います。また、製造業であっても、関係者全員が何が起こっているのかをある程度理解する必要がある業界でもあります。そのため、チップに実装する前に物事をテストし、どのように考えるかという点で、AI を追求するのに最適な業界です。

AI とチップ設計の将来をどのように想像していますか?

ゴル: : それは人的要素、つまりプロセスに人々を巻き込み、説明可能なモデルに大きく依存しています。モデリングの数学的ニュアンスを利用して多くのことができますが、それは人々がそれをどのように使用しているか、プロセスに参加している全員がそれをどのように理解し、適用しているかによって異なります。このプロセスでは、あらゆるスキルレベルの人々のコミュニケーションと参加が非常に重要になります。私たちは、AI だけでなく人間の知識や、多くの人々が長年にわたって行ってきたすべての仕事を利用して、こうした超正確な予測が減り、情報の透明性が高まり、共有やデジタル ツインが利用されるようになるでしょう。