EN
БЪРЗИ ВРЪЗКИ
Докато ИИ продължава да преобразува индустриите, автоматизираните инструменти за подреждане сега използват машинното обучение, за да повиши ефективността на проектирането на ИС в производството на полупроводници. Тези напреднали системи значително съкращават сроковете за разработка, като поемат автоматично рутинните задачи и оптимално разполагат компонентите върху силициевите пластини. Производителите на полупроводници разказват подобни истории в последно време – компании съобщават, че са съкратили средното време за проектиране с около 30 процента или повече, както и забележими подобрения в добивите от производството благодарение на по-умни стратегии за подреждане. Вземете например проектирането на вериги за микроконтролери. Много фирми, работещи в тази област, са отбелязали осезаеми придобивки, включително по-малко грешки по време на фазата на прототипиране и далеч по-голяма точност при финализирането на дизайна. Въздействието е особено очевидно при приложения, изискващи специализирано хардуерно осигуряване за обработка на ИИ, където дори незначителни корекции в подреждането могат да доведат до значителни придобивки в производителността.
Революцията с генеративния изкуствен интелект засяга все по-силно проектирането на чипове напоследък, докато инженерите започват да използват невронни мрежи за създаване на най-различни нови архитектури, адаптирани към специфични изисквания за производителност. Наистина интересното е как технологията произвежда проекти на чипове, които далеч надхвърлят това, което традиционните методи могат да постигнат, като по този начин се отварят нови възможности за подобряване на производителността на хардуера. Компании като Google и Intel вече са постигнали успех с генеративния изкуствен интелект, създавайки някои доста необичайно изглеждащи чипове с нестандартни схеми, за които никога нямаше да се сети човек. Тези странни, но ефективни проекти всъщност увеличават производителността за задачи, свързани с изкуствения интелект, защото оптимизират неща като симетрия и съвместност по начини, които преди просто не бяха възможни. Резултатът? По-бърза обработка на данни и далеч по-добра обща ефективност. Поглеждайки напред, експертите смятат, че ще станем свидетели на пълна трансформация в начина, по който се проектират чиповете, което може да доведе до значителни подобрения както в скоростта, така и в това какво могат да вършат нашите устройства.
Предиктивният анализ помага да се открият евентуални проблеми с прегряване при операциите на чиповете, преди те да се случят, и предлага промени в дизайна, когато е необходимо. Използвайки статистически модели, тази технология всъщност може да предвижда кога интегрирани схеми може да се нагрее прекалено, което дава време на инженерите да отстранят проблема, преди да е нанесен реален щети. Погледнете данните за термични повреди в интегралните схеми и става ясно колко често прегряването причинява сериозни системни повреди в различни индустрии. Когато компании комбинират предиктивни методи с интелигентни алгоритми, те отбелязват значително намаление на подобни инциденти. Компютърните чипове се износват по-малко и работят по-добре, както и тези биполярни транзистори, транзистори на които всички разчитат. Все повече производители приемат тази насочена към бъдещето стратегия като част от стандартната си практика за управление на топлината в електронните устройства днес.
Областта на нейроморфните изчисления променя правилата за това какво могат да постигнат крайните устройства, когато става въпрос за обработка на информация. Тези системи работят чрез копиране на аспекти от начина, по който нашите мозъци наистина функционират, което води до по-добри методи за обработка на сензорни входове и анализ на данни в реално време. Вземете например интелектуалните сензори – те вече могат да се настройват сами въз основа на това, което се случва около тях, без да се налага постоянно обновяване от отдалечени сървъри или централни компютри. Проучвания показват, че тези инспирираните от мозъка системи намаляват значително енергийното потребление – някои тестове са отбелязали намаления до 90 процента, докато едновременно с това ускоряват процесите значително. Това прави голяма разлика за приложения, които трябва да работят непрекъснато на ръба на мрежата. Виждаме, че това става особено ценно в различни приложения на Интернет на нещата, където и бързото време за реакция, и минималното електрозахранване имат голямо значение за практическата експлоатация.
Микроконтролерите с ниско енергопотребление имат много важно значение за поддържането на IoT сензорните мрежи в работно състояние, тъй като те спестяват много енергия и удължават живота на батериите. Повечето от тези чипове разполагат с вградени режими на сън и не изискват много захранване, за да функционират правилно. В реални условия са постигнати доста впечатляващи резултати – потреблението на енергия намалява наполовина при използване на тези ефективни конструкции. Вземете под внимание какво се случва на пазара в момента, според доклади на IoT Analytics. Очаква се гигантски ръст на полупроводниците, използвани в IoT устройства, като размерът на пазара ще нарасне от около 33 милиарда долара през 2020 г. до приблизително 80 милиарда долара към 2025 г. при средногодишен темп на нарастване от почти 19%. Предимството е очевидно – системите могат да работят месеци или дори години между смяната на батериите, което прави внедряването на IoT решения в различни сектори далеч по-практично и икономически изгодно на дълъг термин.
Максималното използване на йерархията на паметта в микроконтролерите е от съществено значение, когато става дума за по-ефективната работа на изкуствения интелект на ръба. Това означава оптимизация на паметта, така че данните да се преместват по-бързо и да се обработват по-бързо. Някои проучвания са показали, че когато производителите настройват правилно тези паметови системи, те могат да намалят времето за изчакване с около 30 процента, а също така да ускорят общото изпълнение. Когато микроконтролерите са оборудвани с памет, специално проектирана за задачи, свързани с изкуствен интелект, важна информация става достъпна много по-бързо. Това прави голяма разлика при решенията, които трябва да се вземат незабавно, като например автономни коли, които реагират на пътните условия или камери за сигурност, които забелязват необичайна активност. Подобренията в дизайна на паметта не са само теоретични. Тези подобрения позволяват на устройствата на ръба да изпълняват сложни задачи по машинното обучение, без да е необходимо да изпращат всичко обратно до някой отдалечен сървър за обработка.
Бързите преобразуватели на данни имат голяма роля при осигуряването на бърза обработка на информация за онези машинни модели, на които всички ние разчитаме днес. Тези устройства преобразуват аналоговите сигнали в цифров вид изключително бързо, което помага на системите с изкуствен интелект да се справят по-добре със сложни задачи и да постигат по-голяма точност. Повечето машинни приложения изискват огромни обеми от данни, за да функционират правилно, така че качествените преобразуватели гарантират, че системата може да обработва цялата информация без закъснения или засядания. Следейки това, което се случва на пазара в момента, най-добрите преобразуватели могат да обработват данни със скорост от няколко гигабита в секунда. Това ускорение оказва сериозно влияние върху представянето на изкуствения интелект, тъй като осигурява по-бърз достъп до информацията и ускорява времето за обработка във всички направления.
Мрежи за захранване, проектирани специално за задачи изпълнявани от изкуствен интелект (AI), са от съществено значение за гладкото изпълнение и отличната производителност на системите. Когато оптимизираме начина, по който електричеството циркулира в тези системи, това допринася за постигане на стабилност и икономия на енергия дори и при интензивни изчисления, извършвани от AI. В реални условия са постигнати доста впечатляващи резултати. Някои системи съобщават за до 30% по-добра енергийна ефективност, като при това осигуряват изключително висока стабилност. Това означава по-малко простои и по-ниски сметки за електроенергия за компаниите, използващи тези системи. За предприятия, внедряващи AI на ръба на мрежата (edge AI) или управляващи големи центрове за данни, правилният избор в това отношение прави разликата между система, която работи надеждно всеки ден, и такава, която постоянно изисква поддръжка и подмяна на компоненти.
Нови постижения в технологията на кондензаторите променят начина, по който ефективно и компактно съхраняваме енергия за нуждите на изчисленията на ръба на мрежата (edge computing). Тези съвременни кондензатори осигуряват стабилен захранващ ток, от който периферните устройства се нуждаят, за да изпълняват изчисленията си безпроблемно. В последно време материалните учени работят по по-добри материали за кондензатори, създавайки такива с по-добри диелектрични свойства и по-дълъг експлоатационен срок – нещо изключително важно, когато периферните устройства трябва да работят непрекъснато в продължение на дълъг период. Ако разгледаме това, което се случва в последно време, кондензаторите стават едновременно по-малки по размер и по-добри при съхранението на енергия, което ги прави идеални за тези тесни пространства, където често се намира периферното изчислително оборудване. Това, което можем да очакваме в бъдеще, вероятно ще бъдат още по-големи подобрения в материалите за кондензатори. Това означава повече енергия, съхранявана в по-малки компоненти, което би представлявало значителни постижения за всеки, който разработва хардуер за приложения в областта на периферните изчисления в момента.
Биполярните преходни транзистори, или BJT на кратко, имат наистина важна роля в приложения с висока честота в дизайните на чипове за изкуствен интелект (AI), защото превключват много по-бързо и по-добре понасят топлината в сравнение с други опции. Това ги прави особено добри при справянето с бързите нужди от обработка на данни на съвременните алгоритми за машинно обучение. Когато сравняваме BJT с полеви транзистори (FET), има ясна разлика и в отсечните честоти. BJT могат да реагират по-бързо в онези високочестотни вериги, на които AI разчита за вземане на решения в реално време. Новото поколение BJT е отбелязало доста значителни подобрания в представянето си напоследък. Тези подобрения позволяват на системите за изкуствен интелект да се справят със сложни изчисления със светкавична скорост, без да се нагреват прекомерно по време на процеса. По-доброто термично управление означава по-малък риск от прегряване на компонентите и осигурява гладко функциониране на всичко с течение на времето.
Комбинирането на биполярни транзистори (BJT) с полеви транзистори (FET) в хибридни конструкции става все по-често срещано в хардуера за изкуствен интелект (AI) благодарение на подобрена обща производителност. Такава конфигурация използва способността на BJT да обработват високи честоти, като в същото време се възползва от предимствата на FET при ефективното управление на захранването. Това създава добро компромисно решение при работа с изискващи AI натоварвания. Проучвания показват, че тези смесени системи могат значително да ускорят процесите, докато използват по-малко електроенергия, което обяснява защо съществува голям интерес към тях напоследък. Виждаме и практически примери – автономните превозни средства разчитат в голяма степен на подобни конфигурации, защото трябва почти мигновено да обработват големи обеми данни, без да изчерпват живота на батерията.
Най-новите разработки в технологията на биполярни транзистори (BJT) се насочват към тяхното топлинно управление, което е от голямо значение за системите на изкуствен интелект (AI), изискващи надеждна работа. По-добри методи за управление на топлината позволяват на тези транзистори да функционират дори когато се използват интензивно – нещо, което е изключително важно, като се има предвид колко плътно са пълнени с компоненти съвременните AI устройства. Проучвания показват, че когато BJT транзисторите се подобряват в отвеждането на топлината, общата им производителност също се подобрява. В лаборатории това наистина е тествано чрез използване на транзисторите при максимални натоварвания в продължение на дълги периоди. Всичко това означава, че BJT транзисторите остават достатъчно охладени по време на работа, така че да имат по-дълъг експлоатационен живот и да не се повреждат неочаквано в онези интензивни AI изчислителни среди, които виждаме днес.
Материалът, известен като нитрид на галия, или GaN на кратко, променя правилата на играта, когато става въпрос за интегрални вериги за захранване, особено където зелените технологии имат най-голямо значение. Какво прави GaN толкова отличаващ се? Ами, той работи значително по-ефективно в сравнение с традиционните материали и преминава между състоянията си много по-бързо. Това е от голямо значение за хардуер за изкуствен интелект, който изисква сериозна изчислителна мощност, без прегряване или губене на електроенергия. Особеността на GaN е, че изобщо използва по-малко енергия, което означава по-малко емисии от производствени заводи. Някои проучвания показват, че тези силови чипове, базирани на GaN, всъщност могат да увеличат ефективността с около 40 процента в сравнение с по-стари технологии. Подобно подобрение е полезно не само за планетата – производителите започват да забелязват реални спестявания по сметките си за енергия. Докато се стремим към по-зелени електронни устройства, GaN изглежда като един от онези проривни материали, които биха могли да помогнат да се затвори пропастта между целите за устойчивост и изискванията на модерните изчислителни системи.
Нови постижения в използването на рециклируеми субстратни материали отварят врати към по-екологични начини за производство на полупроводници. Тези алтернативи помагат за значително намаляване на отпадъците, докато пестят ценни суровини, което решава някои големи екологични проблеми, причинени от традиционните методи за производство на чипове. Според индустриални данни, компаниите, които преминават към тези субстрати, обикновено отбелязват намаление от около 30% в отпадъците от производството, както и сериозно намаляване на общото потребление на материали. За полупроводниковата индустрия, която се стреми към по-голяма устойчивост, този вид подобрения са от голямо значение. Те позволяват на производителите да поддържат високи стандарти за продуктите си, включително и за използване в хардуер за изкуствен интелект, и в същото време значително да намалят екологичния си отпечатък.
Следването на директивите на ЕС RoHS прави реална разлика, когато става въпрос за по-екологични практики при производството на полупроводници. Всъщност тези правила принуждават фабриките да намалят употребата на опасни химикали, които използват по време на производството, което помага за защитата както на служителите, така и на околната среда. Много големи имена в чиповата индустрия вече са преминали към методи, съответстващи на RoHS, и наблюдаваме доста добри резултати от тази промяна. Погледнете числата: компаниите, които спазват стандартите RoHS, често виждат намаляване на токсичните отпадъци с около 25%. Независимо от това, че е по-добро за планетата, този вид съответствие всъщност води до по-устойчиво функциониране на цялата индустрия за производство на полупроводници. Фабриките намират начини за производство на чипове, като използват по-малко вредни материали, което в дългосрочен план води и до икономии.
Този фокус върху устойчиви практики се разширява и към иновации, насочени към правене на хардуера за изкуствен интелект по-екологичен, което показва как спазването на регулаторните изисквания може да засили ангажимента към опазване на околната среда в индустрията на полупроводниците.