İstiflenmiş çiplerin, chiplet tabanlı tasarımların ve heterojen entegrasyon biçimlerinin yaygınlaşması, elektronik tasarım otomasyonu (EDA) araçları tedarikçilerini hücreyi, bloğu ve çipi ayrı sınırlar olarak ele alan geleneksel modelin ötesine geçmeye itiyor. Yapay zekâ hızlandırıcılarının ve yüksek performanslı bilgi işlem tasarımlarının geliştirilmesi artık bilgi işlem, belleği, ara bağlantıyı, gücü ve ısıl özellikleri tek bir ekosistem içinde ele almayı gerektiriyor.
Semiconductor Engineering'de Liz Allan'ın belirttiğine göre EDA araçları, birden fazla alan arasında ortak analize, alternatiflerin keşfinin hızlandırılmasına ve aracı yapay zekâya dayalı yardımcıların eklenmesine yöneliyor. Tedarikçiler, ayrı analizörleri geç aşamalarda çalıştırmak yerine, birden fazla fiziğe ilişkin modelleri tek bir araç içinde kullanıma sunmaya çalışıyor; böylece tasarım değişirken tasarım kararlarının etkileri, tasarım tamamlandıktan sonra değil, değişim sırasında görülebiliyor.
Sorun sistem sınırlarına taşındı
Makale, Microsoft'ta yapay zekâ silikon mühendisliği başkan yardımcısı olan Artour Levin'den alıntı yaparak, yapay zekâ hızlandırıcılarının en zor sorunlarının artık çipin içinde sınırlı kalmadığını, sistem sınırlarında ortaya çıktığını aktardı. Tek bir çip, birçok yapay zekâ iş yükünü çalıştırmak için yeterli olmadığından, sistemi bir bütün olarak değerlendirmek gerekli hâle geliyor.
Vinci'nin CEO'su ve kurucu ortağı Hardik Kabaria, geleneksel iş akışının, her alanın sonunda fiziksel doğrulamanın ertelenmesiyle birlikte, net soyutlama sınırları etrafında oluştuğunu düşünüyor. Isı, gerilim ve elektriksel davranış tüm fiziksel yığın boyunca yayıldığında bu model daha az uygun hâle geliyor. Bu nedenle ekiplerin, tasarımın değişmeyi bırakmasından sonra değil, karar alma sırasında fiziksel bilgilere ihtiyacı var.
Uygulamada ne değişiyor?
Materyalde ortaya konan görüşe göre eski araçları hızlandırmak yeterli değil. İhtiyaç duyulan şey, çip, paket, kart ve sistem boyunca sürekli olarak hassas ve deterministik fizik sunulması. Kabaria, sonuçların gerçek kararları destekleyecek kadar ölçülebilir ve doğru olması gerektiğini vurguluyor; çalışma süreçleri arasındaki sonuçların yeniden üretilebilirliği de hız kadar önem taşıyor.
Sistem bileşenleri birbirinden farklılaştıkça fiziksel planlama daha da zorlaşıyor; bilgi işlem, bellek ve ara bağlantı birimlerinin dağıtılması ve bunların karşılıklı etkilerinin dikkate alınması gerekiyor. Ayrıca tedarikçiler arasındaki araç uyumluluğu, dinamik planlama, gerilim düşümü (IR) analizi ve statik zamanlama analizi (STA) ile ilgili zorluklar öne çıkıyor.
Mevcut araçları geliştirmek ile yeni araçlar oluşturmak arasında
Bu aşama, EDA sektörünün önüne stratejik bir soru koyuyor: On yıllar boyunca birikmiş bilgiye sahip olgun araçlar mı genişletilecek, yoksa yapay zekâ ve yüksek performanslı bilgi işlem tasarımlarının geleneksel tek çipli tasarımlardan farklılıklarına uygun yeni araçlar mı oluşturulacak?
Synopsys'te araştırma ve geliştirmeden sorumlu yönetici Henry Sheng, birikmiş bilgilerin büyük bölümünün hâlâ önemli olduğunu, ancak yalıtılmış hâlde çalışan bazı varsayımların çok alanlı analize geçildiğinde geçerliliğini koruyamayabileceğini söyledi. Zorluk, her şeyi yeniden icat etmek ya da aynı kavram için farklı gösterimleri korumak yerine, araçları, verileri ve terminolojiyi tutarlı bir ortam içinde yeniden düzenlemekte yatıyor.
certi.news değerlendirmesi
Buradaki gerçek değişim, bir EDA aracına yalnızca yapay zekâ özelliği eklemek değil, karar noktasının çip düzeyinden sistem düzeyine taşınmasıdır. Aracı yapay zekâ, görevleri ve daha fazla alternatifin keşfini otomatikleştirmeye yardımcı olabilir, ancak doğru ve tekrarlanabilir simülasyon ihtiyacını ortadan kaldırmaz. Araçlar arasındaki birlikte çalışabilirlik, çoklu fizik modellerinin hızı ve hareket hâlindeki bir tasarıma ayak uydurma kapasitesi, bu dönüşümün ne ölçüde başarılı olacağını belirleyen açık sorular olmaya devam ediyor.