EN
Mabilis na Mga Link
Habang patuloy na binabaguhin ng AI ang mga industriya, ginagamit na ng mga automated layout tool ang machine learning upang mapataas ang kahusayan ng disenyo ng IC sa buong semiconductor manufacturing. Ang mga advanced system na ito ay nagpapababa nang malaki sa timeline ng pag-unlad sa pamamagitan ng awtomatikong paggawa ng mga karaniwang gawain habang nakaayos ang mga bahagi nang optimal sa silicon wafers. Maraming kwento ang mga semiconductor manufacturer ngayon - ang mga kumpanya ay nag-uulat na nabawasan ang average na oras ng disenyo ng mga 30 porsiyento o higit pa, kasama ang mapapansing pagpapabuti sa produksyon ng yield salamat sa mas matalinong estratehiya sa pagpaplano. Kunin ang disenyo ng microcontroller circuit bilang halimbawa. Maraming kompanya na nagtatrabaho dito ang nakakita ng makabuluhang benepisyo kabilang ang mas kaunting pagkakamali sa panahon ng prototyping at mas mataas na katiyakan sa pagtatapos ng disenyo. Malinaw ang epekto nito sa mga aplikasyon na nangangailangan ng specialized hardware para sa AI processing, kung saan ang maliit na pagbabago sa layout ay maaaring magresulta sa malaking pagpapabuti ng performance.
Ang rebolusyon ng generative AI ay malakas na tumama sa disenyo ng chip ngayon, habang nagsisimula nang gamitin ng mga inhinyero ang neural networks para lumikha ng iba't ibang bagong arkitektura na naaayon sa tiyak na pangangailangan sa pagganap. Ang talagang kawili-wili ay kung paano ang teknolohiyang ito ay gumagawa ng disenyo ng chip na talagang lumalampas sa mga nagawa ng tradisyonal na pamamaraan, na nagbubukas ng mga bagong posibilidad para mapabuti ang pagganap ng hardware. Ang mga kumpanya tulad ng Google at Intel ay nakaranas na ng tagumpay sa generative AI sa paglikha ng ilang mga chip na may kakaibang itsura at hindi pangkaraniwang layout ng circuit na hindi naisip ng tao. Ang mga nakakatuwang ngunit epektibong disenyo na ito ay talagang nagpapataas ng pagganap para sa AI workloads dahil ino-optimize nito ang mga bagay tulad ng symmetry at concurrency sa mga paraan na dati ay hindi posible. Ang resulta? Mas mabilis na pagproseso ng datos at mas malaking kahusayan sa kabuuan. Sa darating na mga taon, naniniwala ang mga eksperto na makakaranas tayo ng ganap na pagbabago sa paraan ng disenyo ng mga chip, na maaaring magdulot ng malalaking pagpapabuti sa parehong bilis at sa mga gawain na maisasagawa ng ating mga device.
Ang predictive analytics ay tumutulong upang mapansin ang posibleng problema sa init sa operasyon ng chip bago ito mangyari at nagmumungkahi ng mga pagbabago sa disenyo kung kinakailangan. Gamit ang statistical models, ang teknolohiyang ito ay talagang makapapredict kung kailan mga integrated circuit masyadong mainit, nagbibigay-daan sa mga inhinyero na ayusin ang mga bagay bago pa man maging sanhi ng tunay na pinsala. Tingnan ang mga numero tungkol sa thermal failures sa ICs at maliwanag na makikita kung gaano kadalas nagdudulot ng malubhang system breakdown ang overheating sa iba't ibang industriya. Kapag pinagsama ng mga kumpanya ang predictive methods sa smart algorithms, nakikita nila ang malaking pagbaba sa ganitong uri ng insidente. Ang computer chips ay mas matagal ang buhay at mas epektibo, pareho sa mga bipolar junction mga transistor na pinagkakatiwalaan ng lahat. Bawat araw, dumarami ang mga manufacturer na sumusunod sa ganitong estratehiya na may pag-unawa sa hinaharap, bilang bahagi ng kanilang pamantayang kasanayan sa pagpapatakbo ng init sa mga electronic device ngayon.
Ang larangan ng neuromorphic computing ay nagbabago sa larangan ng kung ano ang kayang gawin ng mga edge device pagdating sa pagproseso ng impormasyon. Ang mga sistemang ito ay gumagana sa pamamagitan ng pagkopya ng mga aspeto ng kung paano talaga gumagana ang ating mga utak, na nagreresulta sa mas mahusay na mga paraan ng paghawak ng sensory input at pagsusuri ng data habang ito ay nangyayari. Kunin halimbawa ang smart sensors, maaari na ngayon silang umangkop batay sa nangyayari sa paligid nang hindi nangangailangan ng paulit-ulit na update mula sa malayong server o sentral na computer. Nagpapakita ang pananaliksik na ang mga ganitong sistema na hinango sa utak ay nagbawas nang malaki sa pagkonsumo ng enerhiya, ilang pagsubok ay nakakita ng pagbawas na hanggang 90 porsiyento, habang pinapabilis din nito ang proseso nang malaki. Napakahalaga nito para sa mga aplikasyon na kailangang tumakbo nang walang tigil sa network edge. Nakikita natin na ito ay nagiging lalong mahalaga sa iba't ibang mga implementasyon ng Internet of Things kung saan ang mabilis na oras ng tugon at pinakamaliit na paggamit ng kuryente ay mahalaga para sa praktikal na paglulunsad.
Ang mga microcontroller na may mababang power ay naglalaro ng talagang mahalagang papel sa pagpapanatili ng IoT sensor networks dahil nagse-save sila ng maraming enerhiya at nagpapahaba ng buhay ng baterya. Karamihan sa mga chip na ito ay may built-in na sleep modes at hindi nangangailangan ng maraming kuryente para gumana nang maayos. Ang mga tunay na pagsubok sa larangan ay nagpakita rin ng kahanga-hangang resulta, kung saan bumaba ang pagkonsumo ng enerhiya ng halos kalahati sa paggamit ng mga epektibong disenyo. Suriin ang nangyayari sa merkado ngayon ayon sa mga ulat ng IoT Analytics. Hinihulaan nila ang malaking paglago ng mga semiconductor na ginagamit sa mga device ng IoT, inaasahan na tumaas ang laki ng merkado mula sa humigit-kumulang $33 bilyon noong 2020 papunta sa halos $80 bilyon noong 2025 sa isang taunang rate ng paglago na halos 19%. Malinaw naman ang benepisyo dito - ang mga sistema ay maaaring tumakbo nang buwan o kahit taon nang walang pagpapalit ng baterya, na nagpapadali at nagpapababa ng gastos sa pag-deploy ng mga solusyon sa IoT sa iba't ibang sektor sa mahabang panahon.
Ang pagkuha ng pinakamahusay na output mula sa mga hierarchy ng memorya sa loob ng mga microcontroller ay talagang mahalaga upang mapabuti ang pagganap ng AI sa edge. Tinutukoy namin dito ang wastong pag-oorganisa ng memorya upang mapabilis ang paggalaw at pagproseso ng datos. Ilan pang pag-aaral ay nagpapakita na kapag inayos ng mga manufacturer ang mga sistema ng memorya nang maayos, maaari nilang mabawasan ang mga oras ng paghihintay ng mga 30 porsiyento habang pinapabilis din ang kabuuang operasyon. Kapag ang mga microcontroller ay may memorya na partikular na idinisenyo para sa mga workload ng AI, mas mabilis na naging available ang mahahalagang impormasyon. Ito ang nag-uugat sa mga desisyon na kailangang mangyari kaagad, tulad ng mga desisyon ng self-driving cars na tumutugon sa kondisyon ng kalsada o mga security camera na nakakakita ng hindi pangkaraniwang aktibidad. Hindi rin lang teoretikal ang mas magandang disenyo ng memorya. Ang mga pagpapabuting ito ay nagpapahintulot sa mga edge device na harapin ang mga kumplikadong gawain sa machine learning nang hindi kinakailangang ipadala ang lahat pabalik sa isang malayong server para sa pagproseso.
Ang mga mabilis na data converters ay gumaganap ng mahalagang papel sa pagproseso ng data nang mabilis para sa mga modelo ng machine learning na siyang batayan ngayon. Ang mga device na ito ay kumuha ng analog signals at binabago ito sa digital form nang mabilis, na nagtutulong sa mga sistema ng AI na mas mahusay na maproseso ang mga kumplikadong gawain at makakuha ng mas tumpak na resulta. Karamihan sa mga machine learning ay nangangailangan ng napakaraming data para maayos na gumana, kaya ang magagandang converters ay nagsisiguro na ang sistema ay kayang pamahalaan ang lahat ng impormasyong ito nang hindi nababagal o nagkakaroon ng bottleneck. Kung titingnan ang nangyayari sa merkado ngayon, ang mga nangungunang converters ay kayang magproseso ng data sa bilis na umaabot sa ilang gigabits bawat segundo. Ang pagtaas ng bilis na ito ay nakakapagbigay ng makabuluhang epekto sa pagganap ng AI dahil nagpapabilis ito sa pag-access sa data at mas mabilis na pagproseso nang buo.
Ang mga network ng kuryente na idinisenyo nang partikular para sa mga workload ng AI ay mahalaga para mapanatili ang maayos na pagtakbo at mabuting pagganap ng mga sistema. Kapag pinahusay natin kung paano dumadaloy ang kuryente sa mga sistemang ito, natutulungan nitong mapanatili ang katatagan at makatipid ng enerhiya, kahit pa sobrang init ng gawain sa pagpoproseso ng AI. Nakita rin sa mga tunay na pagsubok ang ilang kamangha-manghang resulta. Ang ilang mga sistema ay naiulat na hanggang 30% na mas mahusay sa paggamit ng kuryente habang nananatiling matatag. Ibig sabihin, mas kaunting oras ng paghinto at mas mababang gastos para sa mga kumpanya na gumagamit ng ganitong sistema. Para sa mga negosyo na naglalapat ng AI sa edge o namamahala ng malalaking data center, mahalaga ang tamang paggawa nito para makaiwas sa mga sistema na madalas kailangan ng pagpapanumbalik at pagpapalit ng mga bahagi.
Ang mga bagong pag-unlad sa teknolohiya ng capacitor ay nagbabago sa paraan ng pag-iimbak ng enerhiya nang mas siksik at epektibo para sa mga pangangailangan sa edge computing. Ang mga modernong mga kondensador magbigay ng maaasahang suplay ng kuryente na kailangan ng mga edge device para maipatakbo nang maayos ang kanilang mga kalkulasyon. Ang mga siyentipiko na dalubhasa sa mga materyales ay nagtatrabaho nang husto sa pagpapabuti ng mga materyales para sa capacitor, lumilikha ng mga capacitor na may mas mataas na dielectric properties at mas matagal ang buhay nang higit pa sa panahon na talagang mahalaga lalo na kapag ang mga edge device ay kailangang tumatakbo nang matagal. Batay sa mga nangyayari sa kasalukuyan, ang mga capacitor ay nagiging mas maliit sa sukat at mas mahusay sa pag-iimbak ng enerhiya, na ginagawa itong perpekto para sa mga masikip na espasyo kung saan kadalasang nakalagay ang mga kagamitan sa edge computing. Ano ang inaasahan sa mga susunod na araw ay marahil ang mas malaking pagpapabuti pa sa mga materyales ng capacitor. Ito ay nangangahulugang mas maraming enerhiya ang nakakulong sa loob ng mas maliit na mga bahagi, na magrerepresenta ng malaking pag-unlad para sa sinumang nagsisikap sa pagbuo ng hardware para sa mga aplikasyon ng edge computing sa kasalukuyan.
Ang bipolar junction transistors, o BJTs para maikli, ay naglalaro ng talagang mahalagang papel sa mga high frequency aplikasyon sa loob ng AI chip designs dahil mas mabilis ang kanilang pag-switch at mas mahusay na nakakapagdala ng init kumpara sa ibang opsyon. Dahil dito, lalong mabisa sila sa pagharap sa mga mabilis na pangangailangan sa pagpoproseso ng data ng modernong machine learning algorithms. Kapag inihambing ang BJTs sa field effect transistors (FETs), may malinaw na pagkakaiba rin sa cut off frequencies. Ang BJTs ay mas mabilis tumugon sa mga high frequency circuit na umaasa ang AI para sa real time na paggawa ng desisyon. Ang bagong henerasyon ng BJTs ay nakakita ng medyo makabuluhang pag-angat sa performance nitong kamakailan. Ang mga pagpapabuti na ito ay nagpapahintulot sa mga AI system na harapin ang mga kumplikadong kalkulasyon nang napakabilis nang hindi nagiging sobrang init sa proseso. Ang mas mahusay na thermal management ay nangangahulugan ng mas kaunting posibilidad na matunaw ang mga bahagi at patuloy na maayos na pagtakbo ng lahat sa mahabang panahon.
Ang pagsasama ng BJTs at FETs sa mga hybrid na disenyo ay naging kasing karaniwan na ngayon sa AI hardware dahil sa mas mahusay na kabuuang pagganap. Ang ganitong setup ay nakikinabang sa kakayahan ng BJTs na mahawakan ang mataas na dalas samantalang nagtataglay din ng lakas ng FETs sa mahusay na pamamahala ng kuryente. Ito ay lumilikha ng magandang balanse kapag kinakaharap ang mga mapanghamon na AI workload. Ayon sa pananaliksik, ang mga ganitong sistemang pinaghalo ay talagang nakapagpapabilis ng proseso habang gumagamit ng mas kaunting kuryente nang sabay-sabay, na nagpapaliwanag kung bakit ngayon ay nakakakuha sila ng maraming atensyon. Nakita rin natin ang ilang mga halimbawa sa totoong mundo. Ang mga sasakyan na walang tsuper ay umaasa nang husto sa mga ganitong uri ng configuration dahil kailangan nila ng agad na pagproseso ng malalaking daloy ng datos nang hindi nauubos ang buhay ng baterya.
Ang pinakabagong pag-unlad sa Bipolar Junction Transistor (BJT) na teknolohiya ay nakatuon nang husto sa kanilang paghawak ng init, na talagang mahalaga para sa mga sistema ng AI na nangangailangan ng maaasahang pagpapatakbo. Ang mas mahusay na pamamahala ng init ay nagpapahintulot sa mga transistor na gumana kahit kapag binibigyan ng mataas na presyon, na talagang mahalaga lalo na sa kasalukuyang hardware ng AI na puno ng mga bahagi. Nagpapakita ang mga pag-aaral na kapag ang BJTs ay mas mahusay sa pagtanggal ng init, ang kanilang kabuuang pagganap ay napapabuti din. Sinubukan na nga ito sa mga lab sa pamamagitan ng pagpapatakbo sa mga transistor sa pinakamataas na kapasidad nang matagal. Ang ibig sabihin nito ay ang mga BJT ay nananatiling sapat na cool sa panahon ng operasyon upang tumagal nang mas matagal at hindi biglang mabigo sa mga matinding setup ng computing ng AI na ating nakikita ngayon.
Ang materyales na kilala bilang gallium nitride, o GaN para maikli, ay nagbabago ng laro pagdating sa power integrated circuits, lalo na sa mga lugar kung saan pinakamahalaga ang green tech. Ano ang nagpapahusay kay GaN? Mabuti na lang, gumagana ito nang mas epektibo kaysa sa tradisyunal na mga materyales at mas mabilis din itong nag-iiba ng estado. Mahalaga ito nang husto para sa AI hardware na nangangailangan ng seryosong processing power nang hindi nito nagiging sanhi ng sobrang init o pag-aaksaya ng kuryente. Ang tungkol kay GaN ay ang paggamit nito ng mas kaunting enerhiya sa kabuuan, na nangangahulugan ng mas kaunting emissions mula sa mga planta sa pagmamanupaktura. Ilan sa mga pag-aaral ay nagpapakita na ang mga power chip na batay sa GaN ay talagang maaaring mapataas ang kahusayan ng humigit-kumulang 40 porsiyento kumpara sa mga lumang teknolohiya. Ang ganitong uri ng pagpapabuti ay hindi lang maganda para sa planeta; maraming tagagawa na rin ang nakakakita ng tunay na pagtitipid sa kanilang mga singil sa enerhiya. Habang patuloy kaming nagtutulak tungo sa mas berdeng elektronika, ang GaN ay mukhang isa sa mga materyales na nagbubukas ng bagong daan na maaaring makatulong sa pag-angkop sa pagitan ng mga layunin ng sustainability at mga hinihingi ng modernong mga sistema ng computing.
Ang mga bagong pag-unlad sa mga materyales na maaaring i-recycle ay nagbubukas ng mga daan patungo sa mas berdeng paraan ng paggawa ng mga semiconductor. Ang mga alternatibong ito ay nakatutulong upang mabawasan ang basura habang nasisiguro ang mga mahalagang hilaw na materyales, na nakakatulong upang harapin ang ilan sa mga malalaking problema sa kapaligiran na dulot ng tradisyunal na paraan ng paggawa ng chip. Ayon sa datos mula sa industriya, ang mga kumpanya na nagbabago sa mga substrate na ito ay karaniwang nakakakita ng humigit-kumulang 30% na pagbaba sa basura mula sa paggawa, kasama na ang malaking pagbawas sa kabuuang dami ng materyales na kinakailangan. Para sa industriya ng semiconductor na sinusumikap maging mas matibay, ang ganitong uri ng pagpapabuti ay lubos na kahalagahan. Naaaring mapanatili ng mga tagagawa ang mataas na pamantayan para sa kanilang mga produkto, kabilang ang mga ginagamit sa AI hardware, habang binabawasan pa rin nang malaki ang epekto nito sa kapaligiran.
Ang pagsunod sa mga direktiba ng EU RoHS ay nagpapakita ng tunay na pagkakaiba pagdating sa pagpapakilala ng mas matuwid na mga kasanayan sa paggawa ng semiconductor. Sa madaling salita, ang mga patakarang ito ay nagpapahintulot sa mga pabrika na bawasan ang paggamit ng mga mapanganib na kemikal sa produksyon, na nagpapangalaga sa parehong mga manggagawa at kalikasan. Maraming kilalang-kilala sa industriya ng chip ang pumunta na sa mga paraan na sumusunod sa RoHS, at nakikita natin ang mga napakagandang resulta mula sa pagbabagong ito. Tingnan lang ang mga numero: ang mga kumpanya na sumusunod sa mga pamantayan ng RoHS ay nakakabawas ng hanggang 25% sa kanilang basurang toxic. Higit pa sa pagiging maganda para sa planeta, ang pagsunod na ganito ay nagdudulot din ng higit na mapanatiling operasyon sa buong industriya ng pagmamanupaktura ng semiconductor. Natutunan ng mga pabrika kung paano makagawa ng mga chip gamit ang mas kaunting nakakapinsalang materyales, na nagse-save din ng pera sa kabuuan.
Nakakaapekto rin ang pokus na ito sa mga inobasyon na layuning gawing nakabatay sa kalikasan ang hardware ng AI, na nagpapakita kung paano ang pagsunod sa mga regulasyon ay makapagtutulong sa pangako sa kalikasan sa industriya ng semiconductor.