Die Verbreitung gestapelter Chips, Chiplet-basierter Designs und Formen der heterogenen Integration veranlasst Anbieter von Electronic Design Automation (EDA), über das traditionelle Modell hinauszugehen, bei dem Zelle, Block und Chip als getrennte Grenzen behandelt werden. Der Entwurf von KI-Beschleunigern und Hochleistungsrechnern erfordert nun, Rechenleistung, Speicher, Interconnects, Energie und Wärme innerhalb eines einzigen Systems zu betrachten.
Liz Allan schreibt in Semiconductor Engineering, dass sich EDA-Tools in Richtung einer gemeinsamen Analyse über mehrere Bereiche hinweg, einer beschleunigten Exploration von Alternativen und der Ergänzung durch Assistenten auf Basis agentischer KI entwickeln. Anstatt separate Analysatoren in späten Phasen auszuführen, versuchen Anbieter, multiphysikalische Modelle in einem einzigen Tool bereitzustellen, sodass die Auswirkungen von Designentscheidungen während der Veränderung des Designs und nicht erst nach dessen Fertigstellung sichtbar werden.
Das Problem liegt nun an den Systemgrenzen
Der Artikel zitiert Artour Levin, Vice President of AI Silicon Engineering bei Microsoft, mit der Aussage, dass die schwierigsten Probleme von KI-Beschleunigern nicht mehr auf den Chip beschränkt sind, sondern an den Systemgrenzen liegen. Ein einzelner Chip reicht für den Betrieb vieler KI-Workloads nicht aus, wodurch eine Bewertung des Gesamtsystems erforderlich wird.
Hardik Kabaria, CEO und Mitgründer von Vinci, zufolge entstand der traditionelle Arbeitsablauf rund um klare Abstraktionsgrenzen, wobei die physikalische Verifikation bis zum Ende jedes Bereichs aufgeschoben wurde. Dieses Modell wird weniger geeignet, wenn sich Wärme, Spannung und elektrisches Verhalten durch den gesamten physikalischen Stack bewegen. Daher benötigen Teams physikalische Informationen bereits während der Entscheidungsfindung und nicht erst, nachdem sich das Design nicht mehr verändert.
Was ändert sich praktisch?
Gemäß der Darstellung im Beitrag reicht es nicht aus, alte Tools zu beschleunigen. Erforderlich ist die kontinuierliche Bereitstellung präziser und deterministischer Physik über Chip, Package, Leiterplatte und System hinweg. Kabaria betont, dass die Ergebnisse messbar und hinreichend genau sein müssen, um tatsächliche Entscheidungen zu unterstützen. Neben der Geschwindigkeit ist auch die Reproduzierbarkeit der Ergebnisse zwischen verschiedenen Ausführungsläufen von Bedeutung.
Die räumliche Planung wird durch die unterschiedlichen Systemkomponenten schwieriger, da Rechen-, Speicher- und Interconnect-Einheiten verteilt und ihre gegenseitigen Auswirkungen berücksichtigt werden müssen. Zudem treten Herausforderungen hinsichtlich der Kompatibilität der Tools verschiedener Anbieter, der dynamischen Planung, der Analyse des Spannungsabfalls (IR) und der statischen Timing-Analyse (STA) auf.
Zwischen der Weiterentwicklung bestehender Tools und dem Bau neuer Tools
Diese Phase stellt die EDA-Branche vor eine strategische Frage: Werden ausgereifte Tools erweitert, in die über Jahrzehnte Wissen eingeflossen ist, oder werden neue Tools entwickelt, die den Unterschieden von KI- und Hochleistungsrechner-Designs gegenüber herkömmlichen monolithischen Chips gerecht werden?
Henry Sheng, Executive Director of Research and Development bei Synopsys, erklärte, dass ein großer Teil des angesammelten Wissens weiterhin wichtig sei. Einige Annahmen, die isoliert funktionieren, könnten jedoch beim Übergang zu einer bereichsübergreifenden Analyse nicht Bestand haben. Die Herausforderung besteht darin, Tools, Daten und Begriffe in einer kohärenten Umgebung neu zu organisieren, anstatt alles neu zu erfinden oder unterschiedliche Darstellungen desselben Konzepts beizubehalten.
Die Einschätzung von certi.news
Die tatsächliche Veränderung besteht hier nicht lediglich darin, einem EDA-Tool eine KI-Funktion hinzuzufügen, sondern darin, den Entscheidungspunkt von der Chip- auf die Systemebene zu verlagern. Agentische KI kann dabei helfen, Aufgaben zu automatisieren und mehr Alternativen zu untersuchen, sie beseitigt jedoch nicht den Bedarf an präzisen und reproduzierbaren Simulationen. Die Interoperabilität zwischen Tools, die Geschwindigkeit multiphysikalischer Modelle und ihre Fähigkeit, mit einem sich verändernden Design Schritt zu halten, bleiben offene Fragen, die den Erfolg dieses Wandels bestimmen.