- Kongeriket
-
EnglishDeutschItaliaFrançais日本語한국의русскийSvenskaNederlandespañolPortuguêspolskiSuomiGaeilgeSlovenskáSlovenijaČeštinaMelayuMagyarországHrvatskaDanskromânescIndonesiaΕλλάδαБългарски езикAfrikaansIsiXhosaisiZululietuviųMaoriKongeriketМонголулсO'zbekTiếng ViệtहिंदीاردوKurdîCatalàBosnaEuskeraالعربيةفارسیCorsaChicheŵaעִבְרִיתLatviešuHausaБеларусьአማርኛRepublika e ShqipërisëEesti Vabariikíslenskaမြန်မာМакедонскиLëtzebuergeschსაქართველოCambodiaPilipinoAzərbaycanພາສາລາວবাংলা ভাষারپښتوmalaɡasʲКыргыз тилиAyitiҚазақшаSamoaසිංහලภาษาไทยУкраїнаKiswahiliCрпскиGalegoनेपालीSesothoТоҷикӣTürk diliગુજરાતીಕನ್ನಡkannaḍaमराठी
E-post:Info@Y-IC.com
Mentor: AI vil være en annen katalysator for tiår med vekst i halvlederindustrien
Etter at internettboblen sprakk i 2001 var mange mennesker full av tvil om den fremtidige utviklingen av hele halvlederindustrien.
I den runde av markedskollaps på den tiden begynte mange halvlederselskaper å integrere; industriens attraktive investering i vindkapital ble også sterkt redusert; teknologiforskning og utvikling innen prosessutvikling og andre aspekter har også stagnert og bremset opp.
Halvlederindustrien har imidlertid sett en ny snuoperasjon nå. I et intervju med reportere som Ji Wei.com sa Mentor IC EDA konserndirektør Joseph Sawicki at industrien er fylt på nytt med muligheter under stimulering av nye teknologier som kunstig intelligens og maskinlæring.
En McKinsey-rapport påpekte at kunstig intelligens kan brukes på mange vertikale områder, noe som gjør at halvlederbedrifter kan fange opp 40 til 50% av den totale verdien fra disse teknologibunker. Joseph sa at kunstig intelligens vil være en sterk katalysator for en annen 10-års vekstsyklus i halvlederindustrien. Men for å gjøre denne trenden virkelig realisert, trengs det mye data som støtte.
"Med nok data kan du være forutsigbar, slik at du kan trene maskinen din veldig pålitelig og la maskinen lære effektivt." Joseph la videre til at mengden data som trengs og er opprettet for høyhastighetskommunikasjon vil øke i løpet av de neste 12 årene. Det vil innlede tusenvis av veksttider, og disse dataene må analyseres, og deretter iverksette tiltak basert på denne analysen.
Under virkningen av "data-tsunamien" står imidlertid utviklingen av kunstig intelligens også overfor forskjellige motsetninger. Joseph nevnte to motstridende mål i utviklingen av kunstig intelligens:
Et mål er at mange ønsker å kontinuerlig styrke datasentrets evner til å takle så store datamengder. Så selskaper som Alibaba og Amazon utvikler AI-relaterte motorer som bruker denne motoren for å trene enorme datamengder.
På den annen side er målet for noen selskaper å skyve mer og mer prosessorkraft til kanten av skyen, og dermed frigjøre et visst press på utviklingen av datasenteret.
I den runde av markedskollaps på den tiden begynte mange halvlederselskaper å integrere; industriens attraktive investering i vindkapital ble også sterkt redusert; teknologiforskning og utvikling innen prosessutvikling og andre aspekter har også stagnert og bremset opp.
Halvlederindustrien har imidlertid sett en ny snuoperasjon nå. I et intervju med reportere som Ji Wei.com sa Mentor IC EDA konserndirektør Joseph Sawicki at industrien er fylt på nytt med muligheter under stimulering av nye teknologier som kunstig intelligens og maskinlæring.
En McKinsey-rapport påpekte at kunstig intelligens kan brukes på mange vertikale områder, noe som gjør at halvlederbedrifter kan fange opp 40 til 50% av den totale verdien fra disse teknologibunker. Joseph sa at kunstig intelligens vil være en sterk katalysator for en annen 10-års vekstsyklus i halvlederindustrien. Men for å gjøre denne trenden virkelig realisert, trengs det mye data som støtte.
"Med nok data kan du være forutsigbar, slik at du kan trene maskinen din veldig pålitelig og la maskinen lære effektivt." Joseph la videre til at mengden data som trengs og er opprettet for høyhastighetskommunikasjon vil øke i løpet av de neste 12 årene. Det vil innlede tusenvis av veksttider, og disse dataene må analyseres, og deretter iverksette tiltak basert på denne analysen.
Under virkningen av "data-tsunamien" står imidlertid utviklingen av kunstig intelligens også overfor forskjellige motsetninger. Joseph nevnte to motstridende mål i utviklingen av kunstig intelligens:
Et mål er at mange ønsker å kontinuerlig styrke datasentrets evner til å takle så store datamengder. Så selskaper som Alibaba og Amazon utvikler AI-relaterte motorer som bruker denne motoren for å trene enorme datamengder.
På den annen side er målet for noen selskaper å skyve mer og mer prosessorkraft til kanten av skyen, og dermed frigjøre et visst press på utviklingen av datasenteret.
Utvikling av brikker i databehandling vil i stor grad overstige brikken som datasenteret krever. I følge Tractica, fra 2016 til 2021, vil den sammensatte årlige vekstraten for kanttilkoblede enheter være så høy som 190%.
Joseph sa at nærmere databehandling / prosessering vil være den viktigste motoren for vekst i halvlederindustrien. Siden spesifikke applikasjoner på mange områder krever optimalisert chip-design for å oppnå optimal chip-ytelse, vil dette være en mulighet for EDA-verktøyleverandører som Mentor.
Joseph understreker at ved beregning av AI er chipdesign ofte definert av spesifikke krav til arkitekturutvikling. Så den nåværende AI-utviklingsplattformen er helt annerledes enn det tidligere utviklingsmiljøet.
I denne forbindelse introduserte Joseph Mentors chipdesignverktøy spesielt for AI-feltet:
lHLS (syntese på høyt nivå): Ta NVIDIA som eksempel. Ved å bruke dette verktøyet kan du øke produktiviteten med nesten to ganger og bekrefte kostnader med 80%.
lHierarchicl-test: Hjelper kunder med å øke produktiviteten ytterligere og redusere kostnadene. Ved å ta Graphcors kunde som eksempel, ved å bruke dette verktøyet, har DFT-produktiviteten blitt økt med 4 ganger, hastigheten på testoverføring er betydelig forbedret, og designperioden er forkortet til 3 dager basert på faktiske data.
lOPC-teknologi: brukt i halvlederproduksjon, tar det 4000 CPUer å kjøre en dag på 7nm for å produsere ett maske, men hvis du bruker maskinlæringsalgoritmer, kan du redusere kjøretiden med 3-4 ganger.
lLFD (litografisk vennlig) teknologi: reduserer avkastningsgrensefaktoren betydelig og reduserer løpetiden på 10 ganger produksjonen. Ikke bare kan identifisere feil i produksjonsprosessen, men også forutsi feil.
l Avsetningsverktøy: løser problemet med produkt- eller komponentfeil og forbedrer kvaliteten og effektiviteten i produksjonen.
I tillegg gir Mentor en karakteriseringsteknologiplattform for bilindustrien, og gir en detaljert analyse av den generelle påliteligheten og sikkerheten, kombinert med AI for å redusere karakteriseringens kjøretid med en faktor 100. PAVE 360 Autopilot Simulator simulerer også kontinuerlig verdensforhold under den virtuelle maskinen, noe som reduserer bekreftelsestiden ytterligere.
Enten fremtidens smartbrikker er dedikerte eller fleksible, har bransjen forskjellige stemmer. Men Joseph sa til mikronettreporteren at EDA er et nøytralt verktøy. I fremtiden vil Mentor tilby et stort miljø der kundene kan bruke verktøyene til å modellere og utvikle programvaren sin i spesifikke miljøer. Dette er den viktigste verdien som Mentor tilbyr som et EDA-selskap.
Joseph sa at nærmere databehandling / prosessering vil være den viktigste motoren for vekst i halvlederindustrien. Siden spesifikke applikasjoner på mange områder krever optimalisert chip-design for å oppnå optimal chip-ytelse, vil dette være en mulighet for EDA-verktøyleverandører som Mentor.
Joseph understreker at ved beregning av AI er chipdesign ofte definert av spesifikke krav til arkitekturutvikling. Så den nåværende AI-utviklingsplattformen er helt annerledes enn det tidligere utviklingsmiljøet.
I denne forbindelse introduserte Joseph Mentors chipdesignverktøy spesielt for AI-feltet:
lHLS (syntese på høyt nivå): Ta NVIDIA som eksempel. Ved å bruke dette verktøyet kan du øke produktiviteten med nesten to ganger og bekrefte kostnader med 80%.
lHierarchicl-test: Hjelper kunder med å øke produktiviteten ytterligere og redusere kostnadene. Ved å ta Graphcors kunde som eksempel, ved å bruke dette verktøyet, har DFT-produktiviteten blitt økt med 4 ganger, hastigheten på testoverføring er betydelig forbedret, og designperioden er forkortet til 3 dager basert på faktiske data.
lOPC-teknologi: brukt i halvlederproduksjon, tar det 4000 CPUer å kjøre en dag på 7nm for å produsere ett maske, men hvis du bruker maskinlæringsalgoritmer, kan du redusere kjøretiden med 3-4 ganger.
lLFD (litografisk vennlig) teknologi: reduserer avkastningsgrensefaktoren betydelig og reduserer løpetiden på 10 ganger produksjonen. Ikke bare kan identifisere feil i produksjonsprosessen, men også forutsi feil.
l Avsetningsverktøy: løser problemet med produkt- eller komponentfeil og forbedrer kvaliteten og effektiviteten i produksjonen.
I tillegg gir Mentor en karakteriseringsteknologiplattform for bilindustrien, og gir en detaljert analyse av den generelle påliteligheten og sikkerheten, kombinert med AI for å redusere karakteriseringens kjøretid med en faktor 100. PAVE 360 Autopilot Simulator simulerer også kontinuerlig verdensforhold under den virtuelle maskinen, noe som reduserer bekreftelsestiden ytterligere.
Enten fremtidens smartbrikker er dedikerte eller fleksible, har bransjen forskjellige stemmer. Men Joseph sa til mikronettreporteren at EDA er et nøytralt verktøy. I fremtiden vil Mentor tilby et stort miljø der kundene kan bruke verktøyene til å modellere og utvikle programvaren sin i spesifikke miljøer. Dette er den viktigste verdien som Mentor tilbyr som et EDA-selskap.