La généralisation des puces empilées, des conceptions fondées sur des chiplets et des formes d’intégration hétérogène pousse les fournisseurs d’outils d’automatisation de la conception électronique (EDA) à dépasser le modèle traditionnel qui traite la cellule, le bloc et la puce comme des limites distinctes. La conception d’accélérateurs d’intelligence artificielle et de systèmes de calcul haute performance exige désormais d’examiner le calcul, la mémoire, l’interconnexion, l’alimentation et la thermique au sein d’un même système.
Liz Allan affirme dans Semiconductor Engineering que les outils d’EDA s’orientent vers une analyse conjointe dans plusieurs domaines, l’accélération de l’exploration des alternatives et l’ajout d’assistants fondés sur l’intelligence artificielle agentique. Au lieu d’exécuter des analyseurs distincts à des étapes tardives, les fournisseurs tentent de rendre disponibles des modèles multiphysiques au sein d’un même outil, afin que les conséquences des décisions de conception apparaissent pendant l’évolution de la conception, et non une fois celle-ci achevée.
Le problème s’est déplacé vers les limites du système
L’article cite Artour Levin, vice-président de l’ingénierie des puces d’intelligence artificielle chez Microsoft, qui estime que les problèmes les plus difficiles des accélérateurs d’intelligence artificielle ne sont plus confinés à l’intérieur de la puce, mais se situent aux limites du système. Une puce seule ne suffit pas à exécuter de nombreuses charges de travail d’intelligence artificielle, ce qui rend nécessaire l’évaluation du système dans son ensemble.
Hardik Kabaria, directeur général et cofondateur de Vinci, estime que le flux de travail traditionnel s’est construit autour de limites d’abstraction claires, la vérification physique étant reportée à la fin de chaque domaine. Ce modèle devient moins adapté lorsque la chaleur, les contraintes et le comportement électrique se propagent à travers l’ensemble de la pile physique. Les équipes ont donc besoin d’informations physiques au moment de prendre les décisions, et non après que la conception a cessé d’évoluer.
Qu’est-ce qui change concrètement ?
Selon l’analyse présentée dans l’article, il ne suffit pas d’accélérer les anciens outils. Il faut rendre une physique précise et déterministe continuellement disponible à travers la puce, le boîtier, la carte et le système. Kabaria insiste sur le fait que les résultats doivent être mesurables et suffisamment précis pour soutenir des décisions concrètes, la reproductibilité des résultats entre les différentes exécutions étant aussi importante que la vitesse.
La planification spatiale devient plus difficile avec la diversité des composants du système, car il faut répartir les unités de calcul, la mémoire et les interconnexions, tout en tenant compte de leurs effets réciproques. Des défis apparaissent également concernant la compatibilité des outils entre les fournisseurs, la planification dynamique, l’analyse de la chute de tension (IR) et l’analyse statique des timings (STA).
Entre l’évolution des outils existants et la création de nouveaux outils
Cette phase pose une question stratégique au secteur de l’EDA : faut-il étendre les outils matures, qui ont accumulé des décennies de connaissances, ou construire de nouveaux outils adaptés aux différences entre les conceptions d’intelligence artificielle et de calcul haute performance et les puces monolithiques traditionnelles ?
Henry Sheng, directeur exécutif de la recherche et du développement chez Synopsys, a déclaré qu’une grande partie des connaissances accumulées reste importante, mais que certaines hypothèses qui fonctionnent lorsqu’elles sont isolées peuvent ne pas résister au passage à l’analyse multidomaine. Le défi consiste à réorganiser les outils, les données et les terminologies au sein d’un environnement cohérent, plutôt qu’à tout réinventer ou à conserver des représentations différentes d’un même concept.
Analyse de certi.news
Le changement réel ne consiste pas seulement à ajouter une fonction d’intelligence artificielle à un outil d’EDA, mais à déplacer le point de décision du niveau de la puce vers celui du système. L’intelligence artificielle agentique peut contribuer à automatiser des tâches et à explorer davantage d’alternatives, mais elle n’élimine pas le besoin de simulations précises et reproductibles. L’interopérabilité entre les outils, la vitesse des modèles multiphysiques et leur capacité à suivre une conception en mouvement restent des questions ouvertes qui détermineront l’ampleur du succès de cette transformation.