Hello Guest

Sign In / Register

Welcome,{$name}!

/ Log ud
Dansk
EnglishDeutschItaliaFrançais한국의русскийSvenskaNederlandespañolPortuguêspolskiSuomiGaeilgeSlovenskáSlovenijaČeštinaMelayuMagyarországHrvatskaDanskromânescIndonesiaΕλλάδαБългарски езикAfrikaansIsiXhosaisiZululietuviųMaoriKongeriketМонголулсO'zbekTiếng ViệtहिंदीاردوKurdîCatalàBosnaEuskera‎العربيةفارسیCorsaChicheŵaעִבְרִיתLatviešuHausaБеларусьአማርኛRepublika e ShqipërisëEesti Vabariikíslenskaမြန်မာМакедонскиLëtzebuergeschსაქართველოCambodiaPilipinoAzərbaycanພາສາລາວবাংলা ভাষারپښتوmalaɡasʲКыргыз тилиAyitiҚазақшаSamoaසිංහලภาษาไทยУкраїнаKiswahiliCрпскиGalegoनेपालीSesothoТоҷикӣTürk diliગુજરાતીಕನ್ನಡkannaḍaमराठी
Hjem > Nyheder > Mentor: AI vil være en anden katalysator i tiårs vækst i halvlederindustrien

Mentor: AI vil være en anden katalysator i tiårs vækst i halvlederindustrien

Efter at internetboblen brast i 2001 var mange mennesker fulde af tvivl om den fremtidige udvikling af hele halvlederindustrien.

I den runde af markedskollaps på det tidspunkt begyndte mange halvlederfirmaer at integrere; industriens attraktive investering i vindkapital blev også kraftigt reduceret; teknologisk forskning og udvikling inden for procesudvikling og andre aspekter er også stagneret og bremset.

Halvlederindustrien har imidlertid set en ny vending nu. I et interview med journalister som Ji Wei.com sagde Mentor IC EDAs vicepræsident Joseph Sawicki, at branchen er genfyldt med muligheder under stimulering af nye teknologier som kunstig intelligens og maskinlæring.

En McKinsey-rapport påpegede, at kunstig intelligens kan anvendes til mange lodrette områder, hvilket gør det muligt for halvlederfirmaer at fange 40 til 50% af den samlede værdi fra disse teknologibunker. Joseph sagde, at kunstig intelligens vil være en stærk katalysator for en anden 10-årig vækstcyklus i halvlederindustrien. Men for at gøre denne tendens virkelig realiseret, er der brug for en masse data som støtte.

”Med nok data kan du være forudsigelig, så du kan træne din maskine meget pålideligt og lade maskinen lære effektivt.” Joseph tilføjede endvidere, at den mængde data, der er behov for og oprettes til højhastighedskommunikation, vil stige i løbet af de næste 12 år. Det indleder tusindvis af vækstider, og disse data skal analyseres og derefter tage handling baseret på denne analyse.

Under virkningen af ​​"data-tsunamien" står udviklingen af ​​kunstig intelligens imidlertid også over for forskellige modsigelser. Joseph nævnte to modstridende mål i udviklingen af ​​kunstig intelligens:

Et mål er, at mange mennesker kontinuerligt ønsker at styrke datacentrets evner til at klare så store mængder data. Så virksomheder som Alibaba og Amazon udvikler AI-relaterede motorer, der bruger denne motor til at træne enorme mængder data.

På den anden side er målet for nogle virksomheder at skubbe mere og mere behandlingskraft til kanten af ​​skyen og dermed frigive et vist pres på udviklingen af ​​datacentret.




Chipudvikling i edge computing vil i høj grad overstige den chip, der kræves af datacentret. Ifølge Tractica vil den årlige sammensatte vækstrate for kantforbundne enheder fra 2016 til 2021 være så høj som 190%.

Joseph sagde, at tættere vil databehandling / forarbejdning være den vigtigste motor til vækst i halvlederindustrien. Da specifikke applikationer på mange områder kræver optimeret chipdesign for at opnå optimal chippræstation, vil dette være en mulighed for EDA-værktøjsudbydere som Mentor.

Joseph understreger, at i chip computing AI, chip design ofte defineres af specifikke arkitekturudviklingskrav. Så den nuværende AI-udviklingsplatform er helt anderledes end det tidligere udviklingsmiljø.

I denne henseende introducerede Joseph Mentors chipdesignværktøjer specifikt til AI-området:

lHLS (syntese på højt niveau): Tag NVIDIA som et eksempel. Ved at bruge dette værktøj kan du øge produktiviteten med næsten to gange og verificeringsomkostninger med 80%.

lHierarchicl-test: Hjælper kunder med yderligere at øge produktiviteten og reducere omkostningerne. Ved at tage Graphcors kunde som eksempel, ved hjælp af dette værktøj, er DFT-produktivitet blevet øget med 4 gange, hastigheden af ​​testoverførsel er meget forbedret, og designperioden er blevet forkortet til 3 dage baseret på faktiske data.

lOPC-teknologi: brugt i halvlederfremstilling, tager det 4.000 CPU'er at køre en dag på 7 nm for at fremstille en maske, men hvis du bruger maskinlæringsalgoritmer, kan du reducere køretiden med 3-4 gange.

lLFD (litografisk venlig) teknologi: reducerer udbyttegrænsefaktoren markant og reducerer køretid på 10 gange produktion. Ikke kun kan identificere defekter i produktionsprocessen, men også forudsige mangler.

l Aflejringsværktøj: løser problemet med produkt- eller komponentfejl og forbedrer kvaliteten og effektiviteten af ​​produktionen.

Derudover leverer Mentor en karakteriseringsteknologiplatform til bilindustrien, der giver en detaljeret analyse af den samlede pålidelighed og sikkerhed kombineret med AI for at reducere karakteriseringens driftstid med en faktor 100. PAVE 360 Autopilot Simulator simulerer også kontinuerligt verdensforhold under den virtuelle maskine, hvilket yderligere reducerer bekræftelsestiden.

Uanset om de fremtidige smart chips er dedikerede eller fleksible, har branchen forskellige stemmer. Men Joseph fortalte micronet-reporteren, at EDA er et neutralt værktøj. I fremtiden vil Mentor give et stort miljø, hvor kunderne kan bruge værktøjerne til at modellere og udvikle deres software i specifikke miljøer. Dette er den vigtigste værdi, som Mentor tilbyder som et EDA-selskab.