- Latviešu
-
EnglishDeutschItaliaFrançais日本語한국의русскийSvenskaNederlandespañolPortuguêspolskiSuomiGaeilgeSlovenskáSlovenijaČeštinaMelayuMagyarországHrvatskaDanskromânescIndonesiaΕλλάδαБългарски езикAfrikaansIsiXhosaisiZululietuviųMaoriKongeriketМонголулсO'zbekTiếng ViệtहिंदीاردوKurdîCatalàBosnaEuskeraالعربيةفارسیCorsaChicheŵaעִבְרִיתLatviešuHausaБеларусьአማርኛRepublika e ShqipërisëEesti Vabariikíslenskaမြန်မာМакедонскиLëtzebuergeschსაქართველოCambodiaPilipinoAzərbaycanພາສາລາວবাংলা ভাষারپښتوmalaɡasʲКыргыз тилиAyitiҚазақшаSamoaසිංහලภาษาไทยУкраїнаKiswahiliCрпскиGalegoनेपालीSesothoТоҷикӣTürk diliગુજરાતીಕನ್ನಡkannaḍaमराठी
E-pasts:Info@Y-IC.com
Mentors: AI būs vēl viens katalizators pusvadītāju nozares izaugsmes desmitgadē
Pēc interneta burbuļa plīšanas 2001. gadā daudzi cilvēki bija pilni šaubu par visas pusvadītāju nozares turpmāko attīstību.
Toreizējā tirgus sabrukuma kārtā daudzi pusvadītāju uzņēmumi sāka integrēties; ievērojami tika samazinātas arī nozares pievilcīgās investīcijas vēja kapitālā; tehnoloģiju izpēte un attīstība procesu attīstībā un citi aspekti arī ir stagnējuši un palēninājušies.
Tomēr pusvadītāju nozare ir piedzīvojusi jaunu pavērsienu. Intervijā ar tādiem žurnālistiem kā Ji Wei.com Mentor IC EDA izpilddirektora vietnieks Džozefs Sawicki sacīja, ka nozare tiek piepildīta ar iespējām stimulēt tādas jaunas tehnoloģijas kā mākslīgais intelekts un mašīnmācība.
McKinsey ziņojumā tika norādīts, ka mākslīgais intelekts var tikt piemērots daudzām vertikālām zonām, kas pusvadītāju uzņēmumiem ļauj iegūt 40 līdz 50% no kopējās vērtības no šīm tehnoloģiju kaudzēm. Džozefs sacīja, ka mākslīgais intelekts būs spēcīgs katalizators vēl vienam 10 gadu izaugsmes ciklam pusvadītāju nozarē. Bet, lai šo tendenci patiesi realizētu, kā atbalsts ir nepieciešams daudz datu.
"Ja ir pietiekami daudz datu, jūs varat būt prognozējošs, tāpēc varat ļoti droši apmācīt mašīnu un ļaut tai efektīvi mācīties." Džozefs piebilda arī, ka nākamajos 12 gados palielināsies ātrdarbīgai saziņai nepieciešamo un izveidoto datu apjoms. Tas ienāks tūkstošos izaugsmes reižu, un šie dati ir jāanalizē un pēc tam jārīkojas, pamatojoties uz šo analīzi.
Tomēr “datu cunami” ietekmē mākslīgā intelekta attīstība saskaras arī ar dažādām pretrunām. Džozefs minēja divus pretrunīgus mērķus mākslīgā intelekta attīstībā:
Viens mērķis ir tāds, ka daudzi cilvēki vēlas nepārtraukti stiprināt datu centra iespējas tikt galā ar tik lielu datu daudzumu. Tātad tādi uzņēmumi kā Alibaba un Amazon izstrādā ar AI saistītus dzinējus, kuri šo motoru izmanto, lai apmācītu milzīgu datu daudzumu.
No otras puses, dažu uzņēmumu mērķis ir arvien vairāk un vairāk apstrādes jaudas virzīt uz mākoņa malu, tādējādi atbrīvojot zināmu spiedienu uz datu centra attīstību.
Toreizējā tirgus sabrukuma kārtā daudzi pusvadītāju uzņēmumi sāka integrēties; ievērojami tika samazinātas arī nozares pievilcīgās investīcijas vēja kapitālā; tehnoloģiju izpēte un attīstība procesu attīstībā un citi aspekti arī ir stagnējuši un palēninājušies.
Tomēr pusvadītāju nozare ir piedzīvojusi jaunu pavērsienu. Intervijā ar tādiem žurnālistiem kā Ji Wei.com Mentor IC EDA izpilddirektora vietnieks Džozefs Sawicki sacīja, ka nozare tiek piepildīta ar iespējām stimulēt tādas jaunas tehnoloģijas kā mākslīgais intelekts un mašīnmācība.
McKinsey ziņojumā tika norādīts, ka mākslīgais intelekts var tikt piemērots daudzām vertikālām zonām, kas pusvadītāju uzņēmumiem ļauj iegūt 40 līdz 50% no kopējās vērtības no šīm tehnoloģiju kaudzēm. Džozefs sacīja, ka mākslīgais intelekts būs spēcīgs katalizators vēl vienam 10 gadu izaugsmes ciklam pusvadītāju nozarē. Bet, lai šo tendenci patiesi realizētu, kā atbalsts ir nepieciešams daudz datu.
"Ja ir pietiekami daudz datu, jūs varat būt prognozējošs, tāpēc varat ļoti droši apmācīt mašīnu un ļaut tai efektīvi mācīties." Džozefs piebilda arī, ka nākamajos 12 gados palielināsies ātrdarbīgai saziņai nepieciešamo un izveidoto datu apjoms. Tas ienāks tūkstošos izaugsmes reižu, un šie dati ir jāanalizē un pēc tam jārīkojas, pamatojoties uz šo analīzi.
Tomēr “datu cunami” ietekmē mākslīgā intelekta attīstība saskaras arī ar dažādām pretrunām. Džozefs minēja divus pretrunīgus mērķus mākslīgā intelekta attīstībā:
Viens mērķis ir tāds, ka daudzi cilvēki vēlas nepārtraukti stiprināt datu centra iespējas tikt galā ar tik lielu datu daudzumu. Tātad tādi uzņēmumi kā Alibaba un Amazon izstrādā ar AI saistītus dzinējus, kuri šo motoru izmanto, lai apmācītu milzīgu datu daudzumu.
No otras puses, dažu uzņēmumu mērķis ir arvien vairāk un vairāk apstrādes jaudas virzīt uz mākoņa malu, tādējādi atbrīvojot zināmu spiedienu uz datu centra attīstību.
Mikroshēmu attīstība malu skaitļošanā ievērojami pārsniegs mikroshēmu, kas nepieciešama datu centram. Saskaņā ar Tractica teikto, no 2016. līdz 2021. gadam ar malu savienoto ierīču saliktais gada pieauguma temps būs pat 190%.
Džozefs sacīja, ka tuvāk, malu skaitļošana / apstrāde būs galvenais pusvadītāju nozares izaugsmes dzinējspēks. Tā kā īpašām lietojumprogrammām daudzās jomās ir nepieciešams optimizēts mikroshēmu dizains, lai sasniegtu optimālu mikroshēmas veiktspēju, tā būs iespēja tādiem EDA rīku pārdevējiem kā Mentor.
Džozefs uzsver, ka AI malu skaitļošanā mikroshēmu dizains bieži tiek definēts ar īpašām arhitektūras attīstības prasībām. Tātad pašreizējā AI attīstības platforma ir pilnīgi atšķirīga no iepriekšējās attīstības vides.
Šajā sakarā Džozefs iepazīstināja ar Mentor mikroshēmu projektēšanas rīkiem, kas īpaši paredzēti AI laukam:
lHLS (augsta līmeņa sintēze): Ņemiet par piemēru NVIDIA. Izmantojot šo rīku, jūs varat palielināt produktivitāti gandrīz divas reizes un verifikācijas izmaksas - par 80%.
lHierarhiskā pārbaude: palīdz klientiem vēl vairāk palielināt produktivitāti un samazināt izmaksas. Par piemēru ņemot Graphcor klientu, izmantojot šo rīku, DFT produktivitāte ir palielināta 4 reizes, testa pārsūtīšanas ātrums ir ievērojami uzlabots, un projektēšanas laika periods ir saīsināts līdz 3 dienām, pamatojoties uz faktiskajiem datiem.
lOPC tehnoloģija: izmanto pusvadītāju ražošanā, vienas maskas izgatavošanai nepieciešams 4000 CPU, lai dienā darbotos 7 nm, bet, ja izmantojat mašīnmācīšanās algoritmus, darbības laiku varat samazināt 3-4 reizes.
lLFD (litogrāfiski draudzīga) tehnoloģija: ievērojami samazina ražas ierobežojuma koeficientu un samazina ražošanas laiku 10 reizes. Ne tikai var identificēt defektus ražošanas procesā, bet arī paredzēt defektus.
lDeppozīcijas rīks: atrisina produkta vai komponenta kļūmes problēmu un uzlabo ražošanas kvalitāti un efektivitāti.
Turklāt Mentor nodrošina raksturojošās tehnoloģijas platformu automobiļu rūpniecībai, nodrošinot detalizētu vispārējās uzticamības un drošības analīzi apvienojumā ar AI, lai samazinātu raksturojuma izpildīšanas laiku ar koeficientu 100. PAVE 360 Autopilot Simulator arī nepārtraukti simulē reālo pasaules apstākļi virtuālajā mašīnā, vēl vairāk samazinot verifikācijas laiku.
Neatkarīgi no tā, vai nākotnes viedās mikroshēmas ir veltītas vai elastīgas, nozarei ir atšķirīgas balsis. Bet Džozefs mikrotīkla reportierim sacīja, ka EDA ir neitrāls rīks. Nākotnē Mentor nodrošinās plašu vidi, kurā klienti var izmantot rīkus, lai modelētu un izstrādātu savu programmatūru noteiktā vidē. Šī ir vissvarīgākā vērtība, ko Mentor piedāvā kā EDA uzņēmumu.
Džozefs sacīja, ka tuvāk, malu skaitļošana / apstrāde būs galvenais pusvadītāju nozares izaugsmes dzinējspēks. Tā kā īpašām lietojumprogrammām daudzās jomās ir nepieciešams optimizēts mikroshēmu dizains, lai sasniegtu optimālu mikroshēmas veiktspēju, tā būs iespēja tādiem EDA rīku pārdevējiem kā Mentor.
Džozefs uzsver, ka AI malu skaitļošanā mikroshēmu dizains bieži tiek definēts ar īpašām arhitektūras attīstības prasībām. Tātad pašreizējā AI attīstības platforma ir pilnīgi atšķirīga no iepriekšējās attīstības vides.
Šajā sakarā Džozefs iepazīstināja ar Mentor mikroshēmu projektēšanas rīkiem, kas īpaši paredzēti AI laukam:
lHLS (augsta līmeņa sintēze): Ņemiet par piemēru NVIDIA. Izmantojot šo rīku, jūs varat palielināt produktivitāti gandrīz divas reizes un verifikācijas izmaksas - par 80%.
lHierarhiskā pārbaude: palīdz klientiem vēl vairāk palielināt produktivitāti un samazināt izmaksas. Par piemēru ņemot Graphcor klientu, izmantojot šo rīku, DFT produktivitāte ir palielināta 4 reizes, testa pārsūtīšanas ātrums ir ievērojami uzlabots, un projektēšanas laika periods ir saīsināts līdz 3 dienām, pamatojoties uz faktiskajiem datiem.
lOPC tehnoloģija: izmanto pusvadītāju ražošanā, vienas maskas izgatavošanai nepieciešams 4000 CPU, lai dienā darbotos 7 nm, bet, ja izmantojat mašīnmācīšanās algoritmus, darbības laiku varat samazināt 3-4 reizes.
lLFD (litogrāfiski draudzīga) tehnoloģija: ievērojami samazina ražas ierobežojuma koeficientu un samazina ražošanas laiku 10 reizes. Ne tikai var identificēt defektus ražošanas procesā, bet arī paredzēt defektus.
lDeppozīcijas rīks: atrisina produkta vai komponenta kļūmes problēmu un uzlabo ražošanas kvalitāti un efektivitāti.
Turklāt Mentor nodrošina raksturojošās tehnoloģijas platformu automobiļu rūpniecībai, nodrošinot detalizētu vispārējās uzticamības un drošības analīzi apvienojumā ar AI, lai samazinātu raksturojuma izpildīšanas laiku ar koeficientu 100. PAVE 360 Autopilot Simulator arī nepārtraukti simulē reālo pasaules apstākļi virtuālajā mašīnā, vēl vairāk samazinot verifikācijas laiku.
Neatkarīgi no tā, vai nākotnes viedās mikroshēmas ir veltītas vai elastīgas, nozarei ir atšķirīgas balsis. Bet Džozefs mikrotīkla reportierim sacīja, ka EDA ir neitrāls rīks. Nākotnē Mentor nodrošinās plašu vidi, kurā klienti var izmantot rīkus, lai modelētu un izstrādātu savu programmatūru noteiktā vidē. Šī ir vissvarīgākā vērtība, ko Mentor piedāvā kā EDA uzņēmumu.