EN
Գրիգ Հղումներ
Երբ AI-ն շարունակում է արդյունաբերությունները վերաձևավորել, ավտոմատացված դասավորության գործիքները ներկայումս օգտագործում են մեքենայական ուսուցումը կիսահաղորդիչների արտադրության ընթացքում IC նախագծման արդյունավետությունը բարելավելու համար: Այս առաջադեմ համակարգերը զգալիորեն կրճատում են մշակման ժամկետները՝ ինքնաբերաբար կատարելով շարունակական առաջադրանքներ և օպտիմալ կերպով տեղադրելով բաղադրիչները սիլիցիումե թիթեղների վրա: Կիսահաղորդիչների արտադրողները այսօր նման պատմություններ են պատմում. ընկերությունները հայտնում են միջին նախագծման ժամանակը կրճատել են մոտ 30 տոկոսով կամ ավելին, ինչպես նաև արտադրության ելքերի նկատելի բարելավումներ շնորհիվ ավելի խելացի դասավորության ռազմավարությունների: Վերցրեք միկրոկոնտրոլերի շղթաների նախագծումը օրինակի համար: Այս ոլորտում աշխատող բազում ընկերություններ տեսնում են գործնական առավելություններ, ներառյալ սխալների նվազումը նախնական փորձարկման փուլերի ընթացքում և շատ ավելի մեծ ճշգրտություն նախագծերը վերջնականացնելիս: Ազդեցությունը հատկապես ակնհայտ է կիրառություններում, որտեղ պահանջվում է հատուկ սարքավորումներ AI մշակման համար, որտեղ նույնիսկ փոքր դասավորության ճշգրտումները կարող են բերել զգալի արդյունավետության բարելապումների:
Ներգեներատիվ Ա.Ծ. հեղափոխությունը այսօրվա համար խիստ ազդում է չիփերի նախագծման վրա, քանի որ ճյուղավորները սկսել են օգտագործել նեյրոնային ցանցեր տարբեր նոր ճարտարապետություններ ստեղծելու համար, որոնք հարմարեցված են հատուկ արդյունավետության կարիքներին: Ամենահետաքրքիր բանը այն է, թե ինչպես է այս տեխնոլոգիան արտադրում չիփերի նախագծումներ, որոնք գերազանցում են ավանդական մեթոդների կարողությունները, բացելով նոր հնարավորություններ ստանձնելու ավելի լավ արդյունավետություն սարքավորումներից: Google-ը և Intel-ը արդեն հաջողությամբ օգտագործել են ներգեներատիվ Ա.Ծ. ստեղծելով ոչ սովորական տեսքով չիփեր, շղթաների կառուցվածքներով, որոնք ոչ ոք չէր կարող մտածել ձեռքով ստեղծել: Այս տարօրինակ, սակայն արդյունավետ նախագծումները իրոք բարելավում են արդյունավետությունը AI աշխատանքների համար, քանի որ օպտիմալացնում են սիմետրիան և միաժամանակյա կատարումը այնպես, ինչպես ավանդական մեթոդներով հնարավոր չէր: Արդյունքը՝ ավելի արագ տվյալների մշակման արագություն և ամբողջական ավելի լավ արդյունավետություն: Ապագայում փորձագետները կանխատեսում են լիակատար փոփոխություն չիփերի նախագծման մեջ, ինչը կարող է հանգեցնել ավելի մեծ բարելավումների արագության և սարքերի հնարավորությունների մեջ:
прогностիկ անալիտիկան օգնում է հայտնաբերել միկրոսխեմաների գործարկման ընթացքում հնարավոր ջերմային խնդիրները դրանց տեղի ունենալուց առաջ և անհրաժեշտության դեպքում նախագծի նկատմամբ փոփոխություններ առաջարկել: Վիճակագրական մոդելների կիրառմամբ այս տեխնոլոգիան իրականում կարող է կանխատեսել, թե երբ ինտեգրված շրջաններ կարող է չափից շատ տաքանալ, ինժեներներին տալով ժամանակ վերացնելու խնդիրները մինչև իրական վնասվածքներ տեղի ունենան: Եթե նայենք միկրոսխեմաներում ջերմային անհաջողությունների ցուցանիշներին, ապա պարզ է դառնում, թե որքան հաճախ է տարբեր ճյուղերում համակարգերի խորակայուն խափանումների պատճառ դառնում գերտաքացումը: Երբ ընկերությունները կանխատեսողական մեթոդները համատեղում են համակարգչային ալգորիթմների հետ, ապա նման դեպքերի թիվը կտրուկ նվազում է: Միկրոսխեմաները ավելի երկար են տևում և ավելի լավ են աշխատում, ինչպես նաև այն բիպոլյար տրանզիստորները, որոնց վրա տրանսիստորներ բոլորը հենվում են: Ավելի ու ավելի շատ արտադրողներ են ընդունում այս առաջատար մտածելակերպը որպես իրենց ստանդարտ գործողությունների մաս, այսօրվա էլեկտրոնային սարքերում ջերմային կառավարման համար:
Նեյրոմորֆ հաշվարկների ոլորտը փոխում է խաղի կանոնները՝ եզրային սարքերի տվյալներ մշակելու հնարավորությունների հարցում: Այս համակարգերը աշխատում են՝ մեր ուղեղի գործունեության որոշակի կողմերը պատճենելով, ինչը տանում է զգայարանների մուտքային տվյալները մշակելու և իրական ժամանակում տվյալներ վերլուծելու ավելի լավ եղանակների: Վերցրեք, օրինակ, համակարգչային զգայարանների օրինակը, դրանք այժմ կարողանում են ինքնուրույն կերպով կարգավորվել՝ շրջապատում ինչ է տեղի ունենում, առանց հեռավոր սերվերներից կամ կենտրոնական համակարգիչներից անընդհատ թարմացումների կարիքի: Ուսումնասիրությունները ցույց են տվել, որ այս ուղեղից ներշնչված համակարգերը էներգիայի օգտագործումը կրճատում են մինչև 90 տոկոսով, իսկ միաժամանակ ավելի արագ են դարձնում գործընթացները: Դա է տարբերությունը ցույց տվող գործոնը ցանցի եզրում անընդհատ աշխատող կիրառությունների համար: Մենք այս երևույթը տեսնում ենք հատկապես արժեքավոր ինտերնետ օբյեկտների տարբեր իրականացումների միջոցով, որտեղ արագ պատասխանման ժամանակը և էլեկտրաէներգիայի նվազագույն օգտագործումը մեծ նշանակություն են ունենում գործնական տեղակայման համար:
Բարձր էներգաարդյունավետ միկրովահանջները կարևոր դեր են խաղում IoT զգայուն ցանցերի աշխատանքը պահելու գործում, քանի որ դրանք էնքան շատ էներգիա են խնայում և մարտկոցների ավելի երկար ժամանակ ապահովում են: Այս միկրովահանջների մեծ մասն արդեն ներդրված ռեժիմներ ունի և այնքան էլ շատ էներգիա չի պահանջում ճիշտ աշխատանքի համար: Իրական աշխարհի փորձարկումները նույնպես ցույց են տվել հզոր արդյունքներ, էներգիայի սպառումը կրճատվել է մոտ կեսով այս արդյունավետ նախագծման շնորհիվ: Նայեք այն ինչ այսօրվա համաձայն շուկայում է տեղի ունենում ըստ IoT Analytics զեկույցների: Նրանք կանխատեսում են հսկայական աճ կիսահաղորդիչների համար, որոնք օգտագործվում են IoT սարքերում, սպասվում է, որ շուկայի չափը մոտ 33 միլիարդ դոլարից 2020 թվականին մինչև մոտ 80 միլիարդ դոլար կլինի 2025 թվականին և ամենամյա մոտ 19% աճի տեմպերով: Այստեղ առկա օգուտը ակնհայտ է - համակարգերը կարող են ամիսներ և նույնիսկ տարիներ աշխատել մարտկոցի փոխարկումների միջև, ինչը տարբեր ոլորտներում IoT լուծումների տեղակայումը ավելի գործնական և արդյունավետ դարձնում է երկար ժամանակահատվածում:
Իրոք կարևոր է միկրոկոնտրոլերների մեջ գտնվող հիերարխիական հիշողությունների առավելագույն օգտագործումը, երբ խոսքը անաչափ տեղում ինտելեկտի ավելի լավ աշխատանքի մասին է: Այն, ինչի մասին մենք խոսում ենք, հիշողության կազմակերպումն է, այնպես որ տվյալները շարժվեն ավելի արագ և մշակվեն ավելի արագ: Որոշ հետազոտություններ ցույց են տվել, որ երբ արտադրողները ճիշտ կերպով կարգավորում են այդ հիշողության համակարգերը, կարող են սպասման ժամանակը 30 տոկոսով կրճատել և ընդհանուր առմամբ արագացնել ամեն ինչը: Երբ միկրոկոնտրոլերները հիշողությամբ են ապահովվում, որ հատուկ նախատեսված է AI աշխատանքների համար, կարևոր տեղեկությունները շատ ավելի արագ են դառնում հասանելի: Սա ամեն ինչ փոխում է անմիջապես որոշումներ ընդունելու համար, ինչպես օրինակ ինքնավար ավտոմեքենաների ճանապարհային պայմաններին արձագանքելը կամ անվտանգության տեսախցիկների կողմից անսովոր գործողությունների հայտնաբերումը: Լավ հիշողության դիզայնը միայն տեսական չէ: Այդ բարելավումները թույլ են տալիս եզրային սարքերին կատարել բարդ մեքենայական ուսուցման աշխատանքներ առանց ամեն ինչ հեռավոր սերվերին ուղարկելու մշակման համար:
Արագ տվյալների փոխարկիչները մեծ դեր են խաղում այն մեքենայական ուսուցման մոդելների համար, որոնց վրա մենք հիմա հենվում ենք, արագ տվյալների մշակումն իրականացնելու համար: Այս սարքերը անալոգային սիգնալները շատ արագ թվային ձևային են փոխարկում, ինչը օգնում է AI համակարգերին ավելի լավ կատարել բարդ խնդիրներ և ավելի ճշգրիտ արդյունքներ ստանալ: Մեքենայական ուսուցման մեծ մասը պահանջում է տվյալների մեծ ծավալներ, այնպես որ լավ փոխարկիչների առկայությունը նշանակում է, որ համակարգը կարող է կառավարել այդ տեղեկությունները՝ առանց դանդաղելու կամ խցանվելու: Ներկայիս շուկայի տեսանկյունից՝ լավագույն փոխարկիչները կարող են տվյալներ մշակել մոտ մի քանի գիգաբիթ արագությամբ վայրկյանում: Այս արագության բարելավումը մեծ տարբերություն է անում AI կատարման համար, քանի որ թույլ է տալիս ավելի արագ հասանելիություն տվյալներին և ավելի արագ մշակման ժամանակներ ընդհանրապես:
Հատուկ AI աշխատանքների համար նախագծված էլեկտրական ցանցերը անհրաժեշտ են համակարգերի հուսալի աշխատանքի և բարձր արդյունավետության ապահովման համար: Երբ մենք օպտիմալացնում ենք էլեկտրականության հոսքը այդ համակարգերով, դա օգնում է պահպանել կայունությունը և խնայել էներգիան, նույնիսկ այն դեպքում, երբ AI մշակման խնդիրների ընթացքում բեռնվածությունը բարձր է: Իրական աշխարհի փորձարկումները ցույց են տվել նաև մի քանի արդյունքներ: Որոշ համակարգեր հաղորդել են մինչև 30% ավելի լավ էներգաարդյունավետություն, մինչդեռ պահպանվել է համակարգի կայուն աշխատանքը: Դա նշանակում է ավելի քիչ դադարներ և ցածր հաշիվներ ընկերությունների համար, որոնք օգտագործում են այդպիսի համակարգեր: Կազմակերպությունների համար, որոնք կիրառում են AI-ն եզրում կամ կառավարում են հսկայական տվյալների կենտրոններ, ճիշտ լուծումը ընտրելը նշանակում է տարբերություն ամենօրյա հուսալի աշխատող համակարգի և այնպիսի համակարգի միջև, որը հաճախ պետք է սպասարկում և մասերի փոխարկում է պահանջում:
Կոնդենսատորների տեխնոլոգիայում նոր մշակումներ են տեղի ունենում, որոնք փոխում են մեր էներգիայի խտացված և արդյունավետ պահման եղանակները եզրային հաշվարկների կարիքների համար: Այսօրվա ժամանակակից կոնդենցիտորներ ապահովել հուսալի էլեկտրամատակարարում, որի կարիքը եզրային սարքերն ունեն իրենց հաշվարկները հաջողությամբ կատարելու համար: Վերջերս նյութաբանները ավելի լավ կոնդենսատորային նյութերի վրա էին աշխատում, ստեղծելով ավելի բարձր դիէլեկտրիկ հատկություններով և ավելի երկար ժամանակ տևող նյութեր, ինչը շատ կարևոր է, երբ եզրային սարքերը երկար ժամանակ անընդհատ աշխատելու կարիք ունեն: Վերջին իրադարձությունները հետևելով՝ կոնդենսատորները երկու հատկանիշներով են ավելի լավանում՝ փոքր չափերով և ավելի լավ էներգիայի պահեստավորմամբ, ինչը դրանք դարձնում է հարմար այն խորանների համար, որտեղ հաճախ տեղադրվում է եզրային հաշվարկման սարքավորումները: Ապագայում ամենայն հավանականությամբ կոնդենսատորային նյութերի ավելի մեծ բարելավումներ են սպասվում: Սա նշանակում է ավելի շատ էներգիայի խտացում ավելի փոքր բաղադրիչներում, ինչը կներկայացնի խոշոր քայլեր առաջ այն մարդկանց համար, ովքեր այսօրվա համար եզրային հաշվարկման կիրառությունների համար սարքավորումներ են մշակում:
Բիպոլյար անցման տրանզիստորները, կամ հապաղ ասած՝ BJT-ները, կարևոր դեր են խաղում AI չիփերի նախագծման բարձր հաճախականության կիրառություններում, քանի որ դրանք ավելի արագ են անջատվում և ավելի լավ են կարգավորում ջերմությունը, քան մյուս տարբերակները: Սա նրանց հատկապես լավ դարձնում է ժամանակակից մեքենայական ուսուցման ալգորիթմների արագ տվյալների մշակման կարիքների դեմ գործելու համար: Երբ համեմատում ենք BJTs-ները դաշտային տրանզիստորների (FET-ներ) հետ, կտրման հաճախականությունների տեսանկյունից նույնպես ակնհայտ տարբերություն կա: BJTs-ները ավելի արագ են արձագանքում այն բարձր հաճախականության շղթաներում, ինչի վրա կայուն է կատարվում AI-ի իրական ժամանակում որոշումներ ընդունելը: BJTs-ների նոր սերնդի մոտ վերջերս արձանագրվել են մի շարք կարևոր արդյունավետության բարելավումներ: Այդ բարելավումները թույլ են տալիս AI համակարգերին կատարել բարդ հաշվարկներ ամպրոպի արագությամբ՝ առանց ավելորդ տաքանալու: Ջերմության ավելի լավ կառավարումը նշանակում է ավելի քիչ վտանգ, որ բաղադրիչները հալվեն, և ապահովում է ամեն ինչի հարթ աշխատանքը երկար ժամանակ:
ԲՋՏ-ների և տրանզիստորների հիբրիդ դիզայներում համատեղումը տեղի է գտնում AI սարքավորումներում՝ ավելի լավ ամբողջական արդյունքների շնորհիվ: Այս կարգավորումը օգտագործում է ԲՋՏ-ների հնարավորությունը՝ բարձր հաճախականություններ կառավարելու համար, միևնույն ժամանակ վայելելով տրանզիստորների առավելությունները՝ էներգիան արդյունավետ կառավարելու գործում: Սա ստեղծում է լավ միջին տարածք այն պահանջկոտ AI բեռների դեպքում: Հետազոտությունները ցույց են տվել, որ այս տեսակի համակարգերը իրականում կարող են արագացնել գործընթացները՝ միաժամանակ ավելի քիչ էլեկտրաէներգիա օգտագործելով, ինչը բացատրում է, թե ինչու է վերջերս այդքան շատ ուշադրություն դարձվում նրանց: Մենք նաև տեսել ենք որոշ իրական օրինակներ: Ինքնավար տրանսպորտային միջոցները մեծ չափով հիմնված են այսպիսի կարգավորումների վրա, քանի որ նրանք պետք է մեծ տվյալների հոսքեր մշակեն գրեթե անմիջապես՝ միևնույն ժամանակ մարտկոցի կյանքը չսպառելով:
Վերջին մշակումները Բիպոլյար Անցումային Տրանզիստորների (BJT) տեխնոլոգիայում կենտրոնանում են ջերմաստիճանի կառավարման վրա, ինչը մեծ նշանակություն ունի AI համակարգերի համար, որոնք պետք է աշխատեն հուսալիորեն: Ջերմաստիճանի ավելի լավ կառավարումը թույլ է տալիս այդ տրանզիստորներին աշխատել նույնիսկ ամենածանր պայմաններում, ինչը շատ կարևոր է հաշվի առնելով, որ ժամանակակից AI սարքավորումները սովորաբար շատ բաղկացուցիչներ են պարունակում: Ուսումնասիրությունները ցույց են տվել, որ երբ BJT-ները ավելի լավ են անցկացնում ջերմությունը, նրանց ընդհանուր արդյունավետությունը նույնպես բարելավվում է: Լաբորատորիաներում ստուգվել է այդ տրանզիստորների աշխատանքը առավելագույն հզորությամբ երկար ժամանակահատվածներում: Այս ամենի իմաստն այն է, որ BJT-ները գործողության ընթացքում մնում են բավարար չափով սառը, որպեսզի ավելի երկար ժամանակ աշխատեն և չընկան անսպասելի վթարների ենթատեղին այնպիսի բարդ AI հաշվարկային կազմերում, ինչպիսիք այսօր տեսնում ենք:
Գալիումի նիտրիդ հայտնի նյութը, կամ կրճատ՝ GaN-ը, փոխում է ինտեգրալ հզորության շղթաների խաղը, հատկապես այն տեղերում, որտեղ կանաչ տեխնոլոգիան ամենաշատն է նշանակում: Ինչն է դարձնում GaN-ն առանձնահատուկ: Դա ավելի արդյունավետ է աշխատում, քան ավանդական նյութերը, և վիճակների միջև անցումը շատ ավելի արագ է: Սա շատ կարևոր է AI սարքավորումների համար, որոնք պետք է մշակման հզոր հնարավորություն ապահովեն առանց ավելորդ էլեկտրաէներգիայի ծախսի և տաքացման: GaN-ի մասին բանը նաև նրան է, որ այն ընդհանրապես ավելի քիչ էներգիա է օգտագործում, որն էլ նշանակում է արտադրական գործարաններից արտանետումների նվազում: Որոշ հետազոտություններ ցույց են տվել, որ այդ GaN հիմքով հզորության չիփերը իրականում կարող են բարելավել արդյունավետությունը շուրջ 40 տոկոսով համեմատած ավանդական տեխնոլոգիաների հետ: Այդպիսի բարելավումը ոչ միայն միջավայրի համար է լավ, այլ նաև արտադրողները սկսել են իրենց էներգետիկ հաշիվներում փոխարժեքներ տեսնել: Երբ մենք ձգտում ենք ավելի կանաչ էլեկտրոնիկայի, GaN-ն այն նյութերից մեկն է, որը կարող է օգնել կապ հաստատել կայունության նպատակների և ժամանակակից հաշվողական համակարգերի պահանջների միջև:
Նոր առաջընթացները վերամշակվող հիմքերի նյութերում հնարավորություն են բացում ավելի կանաչ կիսահաղորդիչներ ստանալու համար: Այս նոր մոտեցումները օգնում են կտրուկ նվազեցնել թափոնները՝ փրկելով թանկարժեք հումքային նյութեր, որը լուծում է ավանդական չիպերի արտադրման մեթոդների պատճառով առաջացած մեծ էկոլոգիական խնդիրները: Ըստ արդյունաբերական տվյալների, ընկերությունները, որոնք անցնում են այս հիմքերին, սովորաբար արտադրության թափոնները 30%-ով են կրճատում, ինչպես նաև նվազեցնում են ընդհանուր նյութերի ծախսը: Կիսահաղորդիչների արդյունաբերության համար, որն ըմբռնում է կայուն լինելու կարևորությունը, այս տեսակի բարելավումները շատ կարևոր են: Դա թույլ է տալիս արտադրողներին պահպանել իրենց արտադրանքի բարձր չափանիշները, ներառյալ այն ապրանքները, որոնք օգտագործվում են AI սարքավորումներում, և միևնույն ժամանակ էականորեն նվազեցնել իրենց էկոլոգիական հետքը:
Եվրոպական միության RoHS հրահանգներին հետևելը իրական ազդեցություն է թողնում կիսահաղորդիչներ արտադրելիս ավելի կանաչ մեթոդների կիրառման գործում: Ըստ էության, այս կանոնները ստիպում են գործարաններին կրճատել վտանգալի քիմիկատների օգտագործումը արտադրության ընթացքում, ինչը օգնում է պաշտպանել ինչպես աշխատողներին, այնպես էլ շրջակա միջավայրը: Չիպերի բիզնեսի շատ հայտնի անուններ արդեն անցել են RoHS համապատասխան մեթոդներին, և մենք տեսնում ենք այս փոփոխությունից բխող մի շարք բավականի լավ արդյունքներ: Նայեք թվերին՝ RoHS ստանդարտներին համապատասխանող ընկերությունները հաճախ տեսնում են թունավոր թափոնների անկում մոտ 25%: Այս համապատասխանությունը ոչ միայն ավելի լավն է մոլորակի համար, այլ նաև ամբողջ կիսահաղորդիչների արտադրության արդյունաբերությունում ավելի կայուն գործողությունների առաջացման պատճառ է դառնում: Գործարանները գտնում են եղանակներ չիպեր արտադրելու ավելի քիչ վնասակար նյութեր օգտագործելով, ինչը երկար ժամանակ գումար է խնայում:
Կայուն մեթոդների նկատմամբ այս ուշադրությունը տարածվում է նաև AI սարքավորումների ավելի էկոլոգիապես մաքուր դարձնելու նպատակով իրականացվող նորամուծությունների վրա, ցույց տալով, թե ինչպես կարող է կանոնավոր համապատասխանությունը ամրապնջել կիսահաղորդիչների արդյունաբերության մեջ շրջակա միջավայրի նկատմամբ ունեցած պարտավորությունները: