La expansión de los chips apilados, los diseños basados en chiplets y las formas de integración heterogénea está llevando a los proveedores de herramientas de automatización del diseño electrónico (EDA) a superar el modelo tradicional que trata la célula, el bloque y el chip como límites separados. El diseño de aceleradores de inteligencia artificial y de sistemas de computación de alto rendimiento requiere ahora considerar la computación, la memoria, la interconexión, la potencia y el calor dentro de un único sistema.
Liz Allan afirma en Semiconductor Engineering que las herramientas de EDA avanzan hacia el análisis conjunto en múltiples dominios, la aceleración de la exploración de alternativas y la incorporación de asistentes basados en inteligencia artificial agéntica. En lugar de ejecutar analizadores separados en etapas tardías, los proveedores intentan ofrecer modelos multifísicos dentro de una sola herramienta, de modo que los efectos de las decisiones de diseño aparezcan mientras el diseño cambia y no después de que se haya completado.
El problema se ha trasladado a los límites del sistema
El artículo citó a Artour Levin, vicepresidente de ingeniería de silicio de inteligencia artificial en Microsoft, quien señaló que los problemas más difíciles de los aceleradores de inteligencia artificial ya no están confinados dentro del chip, sino que se encuentran en los límites del sistema. Un chip individual no basta para ejecutar muchas cargas de trabajo de inteligencia artificial, lo que hace necesario evaluar el sistema en su conjunto.
Hardik Kabaria, director ejecutivo y cofundador de Vinci, considera que el flujo de trabajo tradicional surgió en torno a límites de abstracción claros, con la verificación física pospuesta hasta el final de cada dominio. Este modelo resulta menos adecuado cuando el calor, el estrés y el comportamiento eléctrico atraviesan todo el apilamiento físico. Por ello, los equipos necesitan información física durante la toma de decisiones, no después de que el diseño haya dejado de cambiar.
¿Qué está cambiando en la práctica?
Según el planteamiento presentado en el material, no basta con acelerar las herramientas antiguas. Lo necesario es proporcionar física precisa y determinista de forma continua a través del chip, el encapsulado, la placa y el sistema. Kabaria subraya que los resultados deben ser medibles y suficientemente precisos para respaldar decisiones reales, y que la reproducibilidad de los resultados entre ejecuciones es tan importante como la velocidad.
La planificación espacial se vuelve más difícil debido a las diferencias entre los componentes del sistema, ya que deben distribuirse las unidades de computación, memoria e interconexión teniendo en cuenta sus efectos mutuos. También surgen desafíos relacionados con la compatibilidad de las herramientas entre proveedores, la planificación dinámica, el análisis de caída de tensión (IR) y el análisis estático de temporización (STA).
Entre desarrollar las herramientas existentes y construir herramientas nuevas
Esta etapa plantea una cuestión estratégica a la industria de EDA: ¿se están ampliando las herramientas maduras que han acumulado décadas de conocimiento, o se están construyendo herramientas nuevas adaptadas a las diferencias entre los diseños de inteligencia artificial y de computación de alto rendimiento y los chips monolíticos tradicionales?
Henry Sheng, director ejecutivo de investigación y desarrollo de Synopsys, afirmó que gran parte del conocimiento acumulado sigue siendo importante, pero que algunos supuestos que funcionan de forma aislada quizá no resistan al pasar al análisis multidominio. El desafío consiste en reorganizar las herramientas, los datos y la terminología dentro de un entorno coherente, en lugar de reinventarlo todo o mantener representaciones diferentes del mismo concepto.
Lectura de certi.news
El cambio real aquí no consiste simplemente en añadir una función de inteligencia artificial a una herramienta de EDA, sino en trasladar el punto de decisión del nivel del chip al nivel del sistema. La inteligencia artificial agéntica puede ayudar a automatizar tareas y explorar más alternativas, pero no elimina la necesidad de simulaciones precisas y reproducibles. La interoperabilidad entre herramientas, la velocidad de los modelos multifísicos y su capacidad para seguir el ritmo de un diseño dinámico siguen siendo cuestiones abiertas que determinarán el éxito de esta transformación.