Современные высокопроизводительные вычислительные компоненты сложно представить без сложной пространственной компоновки, которая позволяет сохранять действие так называемого закона Мура в условиях приближения кремниевой литографии к физическим пределам своих возможностей. TSMC представила инструментарий 3Dblox 2.0, который упростит проектирование подобных передовых компонентов.

Источник изображения: TSMC

Первая версия открытого стандарта для проектирования элементов со сложной пространственной компоновкой была представлена TSMC ещё в октябре прошлого года, и теперь она подверглась доработке и усовершенствованиям. В новой версии 3Dblox появилась функция повторного использования чиплетов и возможность предварительной оценки уровня энергопотребления и тепловыделения проектируемого чипа. Всё это должно повысить эффективность проектирования чипов со сложной пространственной компоновкой.

Поставщики профильного программного обеспечения поддержали инициативу, в результате в состав Комитета 3Dblox вошли представители Ansys, Cadence, Siemens и Synopsys. Их участие гарантирует взаимную совместимость предлагаемых средств автоматизированной разработки компонентов с решениями TSMC.

Более широкое объединение 3DFabric Alliance сейчас насчитывает 21 компанию-участницу. Сотрудничество членов альянса сосредоточено на трёх ключевых направлениях. Во-первых, обсуждаются и внедряются передовые методы интеграции микросхем памяти вроде тех же HBM3. Во-вторых, ведутся разработки в сфере совершенствования методов работы с подложками. В-третьих, члены альянса взаимодействуют друг с другом в области методов тестирования готовой продукции. В идеале, TSMC и партнёры стремятся добиться повышения производительности линий для тестирования чипов в десять раз.

Словацкий разработчик так называемых универсальных процессоров Prodigy для HPC, компания Tachyum, сообщила, что ей удалось увеличить расчётное количество ядер своего будущего чипа на 50 % — с 128 до 192 штук. Помогло в этом применение новых средств автоматизированного проектирования (EDA).

Источник изображений: Tachyum

Как пишет портал ComputerBase, о разработке чипов Prodigy известно ещё с 2020 года. Эти суперпроцессоры объединяют возможности CPU, GPU и TPU. Они предназначены для решения ресурсоёмких задач в сфере облачных и высокопроизводительных вычислений (HPC), ИИ-систем, машинного обучения и пр.

В Tachyum отмечают, что помимо увеличения количества ядер ей удалось увеличить с 64 до 96 количество блоков SerDes, которые используются в высокоскоростной связи, для преобразования данных между последовательным и параллельным интерфейсами в обоих направлениях. При этом площадь кристалла Prodigy выросла незначительно и теперь составляет 600 мм² вместо прежних 500 мм² (прибавка 20 %). Теоретически возможно добавление дополнительных ядер с попутным увеличением площади до 858 мм², но в таком случае возникнут ограничения в пропускной способности памяти.

Прежняя версия кристалла уже обладала 16-канальным интерфейсом DDR5-7200 и поддерживала работу с 32 модулями DIMM. В новой версии реализована поддержка DDR5-6400, а общий размер кеш-памяти L2 и L3 был увеличен с 128 до 192 Мбайт.

Даже при наличии только 128 ядер процессор Prodigy в тестовых симуляциях показывает неоспоримое превосходство над всеми передовыми решениями конкурентов, утверждает словацкая компания. При наличии у процессора 192 ядер разница значительно увеличится.

Однако, несмотря на все улучшения, Prodigy пока существует только на бумаге. Компания рассчитывает на проведение демонстрации работы первых процессоров в этом году.

Разработчики программного обеспечения первым делом призвали на службу системы генеративного искусственного интеллекта, но в прочих сферах инженерной деятельности они тоже найдут применение. Например, корпорация Toyota Motor уже экспериментирует с использованием ИИ при оптимизации дизайна своих автомобилей на стадии раннего проектирования.

Источник изображения: Toyota Motor

Расположенный в Калифорнии исследовательский центр Toyota Research Institute, в частности, уже проводит эксперименты с использованием систем генеративного искусственного интеллекта при определении концепции дизайна транспортных средств на ранних этапах проектирования. Используя текстовый запрос с описанием общих очертаний и компоновки будущей машины, инженеры могут заставить систему ИИ предложить сразу несколько вариантов дизайна, которые учитывали бы заложенные технические ограничения вроде коэффициента лобового сопротивления, длины колёсной базы и высоты кузова.

Система ИИ может использовать начальный эскиз профиля автомобиля, созданный дизайнером вручную, для поиска вариаций в дизайне с учётом заложенных требований к ключевым параметрам. Сохраняя стилистическую целостность образа, компьютер предлагает несколько вариантов силуэта, которые в разной степени оптимизированы с точки зрения той же аэродинамики. Поскольку последний критерий сильно влияет на экономичность электромобилей, то подобные вспомогательные инструменты будут обретать особую актуальность в обозримой перспективе. Поиск окончательного варианта дизайна в этом случае значительно ускоряется, сокращая время на разработку новых моделей.

Подрядчики Европейского космического агентства сообщили о готовности к производству суверенного высокопроизводительного процессора для космических аппаратов. Разработанный силами европейских институтов процессор Occamy снижает зависимость ЕС от архитектур x86 и ARM и наделяет Старый Свет собственным аппаратным решением с открытым кодом, которое справится с тяжёлыми вычислительными нагрузками прямо в составе космических платформ.

Источник изображения: HPC Wire

В основу проекта с самого начала был заложен принцип модульности — он состоит из нескольких чиплетов. Это даёт возможность объединять в одном корпусе кристаллы, выпущенные с использованием разных техпроцессов, а также разные по своей сути, например, аналоговые и цифровые. К слову, производством процессоров занялась компания GlobalFoundries — известный специалист по чиплетам. Выпускать их будут с использованием энергоэффективного 12-нм техпроцесса 12LPP. Не исключено, что со временем этим будут заниматься немецкие заводы компании. Между собой чиплеты будут соединены через интерпозер — тоже хорошо обкатанное решение.

Цифровой проект процессора был готов в конце прошлого года. Сейчас идёт его сборка. Первая реализация Occamy состоит из двух одинаковых вычислительных чиплетов, у каждого из которых по 216 маломощных ядра RISC-V и по 16 Гбайт памяти HBM2e, которую поставила компания Micron. Также каждый кристалл содержит управляющее 32-разрядное вычислительное ядро для равномерного распределения вычислительной нагрузки по массивам ядер RISC-V. Непосредственно дизайном решения занимались исследователи из ETH Zürich и Университета Болоньи, хотя сам чип разрабатывался в рамках общеевропейской программы EuPilot.

Площадь Occamy составляет 72 мм². В его составе 1 млрд транзисторов. Заявленная пиковая производительность решения достигает 0,75 Тфлопс для FP64 и 6 Тфлопс для FP8. В активном охлаждении процессор не нуждается.

Разработчики надеются, что Occamy найдёт применение в массе других проектов и не только в космосе, но также на Земле. Правда, у них пока нет уверенности, что Occamy попадёт даже в космические программы — этот вопрос ещё не решён окончательно. Это не единственный космический европейский проект по чипам и его главное достоинство — это открытая архитектура.

Компания Synopsys, разработчик программного обеспечения для проектирования микросхем, объявила о выпуске расширенного набора инструментов на базе искусственного интеллекта для помощи в проектировании, верификации и тестировании современных компьютерных чипов. Девять из десяти крупнейших мировых полупроводниковых компаний уже внедрили пакет и отметили значительную экономию времени и средств.

Источник изображения: Synopsys

Пакет Synopsys.ai позволяет инженерам-проектировщикам получать помощь от ИИ на всех этапах процесса проектирования микросхем — от архитектуры системы до проектирования и производства. Чипы и особенно решения для искусственного интеллекта и машинного обучения становятся всё сложнее, а выпускать и совершенствовать их нужно чаще и без задержек. Человек со всем своим опытом уже не может охватить весь круг задач, и пришло время передавать часть работы в руки роботам.

Поскольку Synopsys является пионером и лидером в области машинного проектирования микросхем, она никак не могла пройти мимо тенденции добавлять элементы ИИ в программы проектирования. Очевидно, что этот процесс только набирает силу и всё самое интересное ещё впереди, когда человек будет в устной форме ставить перед компьютером задачу, а тот к утру выдаст готовый результат вместе с чашечкой кофе.

«Технологии ИИ, известные как машинное обучение и обучение с подкреплением, могут взять на себя такие повторяющиеся задачи, как исследование пространства проектирования, анализ покрытия и регрессии при верификации, а также генерацию тестовых программ, — сказал Арвинд Нараянан (Arvind Narayanan), старший директор по управлению линейкой продуктов Synopsys EDA Group. — Это освобождает значительное количество времени для инженерных групп, позволяя этим специалистам сосредоточиться на более сложных задачах, таких как дифференциация их продукции и быстрое создание новых функций или производных конструкций».

Пакет программ Synopsys.ai состоит из трёх основных компонентов: DSO.ai для автоматического исследования пространства проектирования, которое представляет собой процесс оптимизации питания, производительности и площади чипов; VSO.ai для помощи инженерам по верификации в более быстром достижении целей по закрытию покрытия и нахождению ошибок в проектах; и TSO.ai, который помогает автоматизировать процесс тестирования кремния, искать дефекты, рассчитывать количество шаблонов и время выполнения нового дизайна чипа с помощью инструментов автоматической генерации тестовых шаблонов.

По словам уже внедривших пакет Synopsys.ai производителей чипов, отмечено 10-кратное повышение производительности при верификации и значительно уменьшение затрат на тестирование кремния. Это позволило сократить время разработки продукции на несколько недель, а также снизить расходы.

Инженеры NVIDIA представили исследовательскую работу, в которой сообщили о значительной пользе алгоритмов машинного обучения при проектировании сверхбольших интегральных схем (СБИС). Созданные компанией алгоритмы и программные инструменты, ускоряемые графическими процессорами, справляются с размещением больших групп транзисторов намного эффективнее и быстрее классических программ проектирования. В конечном итоге это ведёт к снижению себестоимости чипов.

Источник изображений: NVIDIA

Утверждается, что в своей работе специалисты NVIDIA воспользовались наработками исследователей из Техасского университета. В то же время компания ещё в 2019 году для обучаемого проектирования СБИС представила ускоряемый GPU фреймворк DREAMPlace на базе нейронных сетей, от которого ожидала 40-кратного ускорения размещения транзисторов в СБИС. В новой работе на примере оптимизации дизайна чипа с 2,7 млн ячеек и 320 макросами было показано, что система на базе одной системы NVIDIA DGX Station A100 справилась с работой всего за 3 часа.

«Эта работа демонстрирует перспективность и потенциал объединения алгоритмов с GPU-ускорением и методов машинного обучения для автоматизации проектирования СБИС, — резюмируют исследователи. — В результате мы можем генерировать высококачественные предсказуемые решения, улучшая качество размещения макросов в академических эталонах по сравнению с базовыми результатами, полученными с помощью академических и коммерческих инструментов».

Нелишне напомнить, что закон Мура продолжает работать за счёт наращивания числа различных «фишек», а не в классическом предсказании — за счёт удвоения числа транзисторов каждые 24 месяца. Снижение стоимости проектирования и оптимизация электронных цепей (читай — размещение миллионов и миллиардов транзисторов) сегодня выходят на первый план. С этим ещё что-то можно сделать, тогда как техпроцессы начинают упираться в физические пределы атомарной структуры материи.

«Вы больше не получаете экономию от такого масштабирования, — сказал главный научный сотрудник компании Билл Дэлли (Bill Dally). — Чтобы продолжать двигаться вперед и предоставлять больше преимуществ потребителям, мы не можем добиться этого за счет более дешевых транзисторов. Мы должны добиться этого за счет более продуманной конструкции».

По сообщениям китайских СМИ, проектировщики не успевают за работой корабельных верфей. Даже небольшие изменения в проектах требуют обширной переделки конструкторской документации, с чем имеющийся штат работников не успевает справляться. Это заставило разработать ИИ-конструктор подсистем военных кораблей, который мог бы решать задачу намного быстрее людей. Испытания показали, что ИИ за день выполняет работу, на которую у человека ушло бы 300 дней.

К 2025 году у Китая будет 400 боевых кораблей, значительную часть из которых ещё предстоит спроектировать и построить. Источник изображения: China Military Online

Что более важно, ИИ составляет проект со 100-процентной точностью, тогда как людям свойственно делать ошибки. Тестирование показало, что решение готово к инженерному внедрению в производство.

Созданный командой из Китайского центра проектирования и исследования кораблей ИИ делает узкоспециализированную работу — проектирует электрическую подсистему военных кораблей. Данные берутся из базы проектов последних десяти лет и адаптируются для новых конструкторских решений.

Фактически ИИ ничего принципиально нового не изобретает, что даёт возможность запускать его на относительно слабых компьютерах и не заниматься длительным обучением. В этом он, например, выгодно отличается от тех же конструкторских ИИ компании Google, которые научились проектировать чипы.

По большому счёту, созданный китайцами конструкторский искусственный интеллект работает под плотным руководством человека. Но если это значительно сокращает объём необходимых для работы вычислительных ресурсов и исключает ошибки, то почему бы этим не воспользоваться?

Как ни странно, аэрокосмическое ведомство США не спешит с внедрением некоторых самых передовых технологий в производство космических кораблей. В частности, в NASA только сейчас начинают применять генеративное проектирование, то есть проектирование с помощью ИИ, при разработке деталей аппаратов для космических миссий, а также совсем не спешат с переходом на 3D-печать.

Источник изображений: Henry Dennis / NASA

Генеративное проектирование или проектирование с помощью ИИ сродни эволюционному процессу. Эволюция за миллиарды лет оттачивает организм во всех его проявлениях от клеток до тканей, скелета и органов. По сходному принципу работает генеративное проектирование. Инженеру достаточно указать размеры детали, места креплений и входов/выходов, а также требуемые нагрузки от векторов до усилий и машинный алгоритм сам рассчитает оптимальную форму детали и произведёт отбор модели с соблюдением, например, минимально допустимого веса.

Для космоса, где каждый килограмм стоит немалых денег, чем легче будет деталь конструкции, тем лучше. Более того, для космических программ детали обычно изготавливаются поштучно и цена проектирования и изготовления в рамках стоимости проекта роли не играет. Впрочем, даже в условиях массового производства спроектированный образец может стать объектом для изготовления формы для отливок. Поэтому генеративное проектирование с некоторыми ограничениями вполне уместно также для массового производства.

В идеальном случае генеративное проектирование лучше сочетать с 3D-печатью. Тогда уникальную деталь можно спроектировать и изготовить в течение недели — это недостижимые при обычном процессе возможности. К такому процессу в NASA рассчитывают прийти в будущем, но сегодня в агентстве работают по старинке — даже спроектированную искусственным интеллектом деталь подрядчики изготавливают на фрезерном оборудовании или с помощью сварки.

Пионер генеративного проектирования в NASA Райан МакКлелланд (Ryan McClelland, на фото) говорит, что созданные ИИ «эволюционировавшие структуры» часто выполняют свою работу гораздо лучше, чем более тяжелые детали, разработанные человеком: «Мы обнаружили, что это действительно снижает риск. После анализа напряжений мы выяснили, что детали, созданные алгоритмом, не имеют таких концентраций напряжений, как при проектировании человеком. Коэффициенты напряжения почти в 10 раз ниже, чем у деталей, созданных человеком-экспертом».

Использование в космических аппаратах NASA деталей, полученных с помощью генеративного проектирования, носит единичный характер. Но можно не сомневаться, что за такими процессами будущее. Тем более что всё идёт к печати деталей в космосе.