პლანშეტებისთვის ხელოვნური ინტელექტით აღჭურვილი ჩიპსეტების დიზაინი და წარმოება
პლანშეტები კონტენტის მოხმარების მოწყობილობებიდან სამუშაოს, სწავლისა და პროფესიული შემოქმედების ინსტრუმენტებად განვითარდა. კულისებში, ეს პროგრესი დიდწილად განისაზღვრება ჩიპსეტით - ტვინით, რომელიც პასუხისმგებელია CPU-ს დამუშავებაზე, GPU გრაფიკაზე, კავშირზე, უსაფრთხოებაზე, ენერგოეფექტურობაზე და ხელოვნური ინტელექტის აჩქარებაზეც კი. ბოლო წლებში ხელოვნური ინტელექტი (AI) არა მხოლოდ პლანშეტების მახასიათებლად იქცა, არამედ დაიწყო ჩიპსეტების დიზაინისა და წარმოების წესის შეცვლა. ეს სტატია განიხილავს, თუ როგორ თამაშობს ხელოვნური ინტელექტი როლს პლანშეტებისთვის სპეციფიკური ჩიპსეტების დიზაინსა და წარმოებაში, მის უპირატესობებს, გამოწვევებსა და სამომავლო განვითარების მიმართულებებს.
რატომ ხდება პლანშეტური ჩიპსეტები უფრო რთული?
პლანშეტების მომხმარებლების საჭიროებები სულ უფრო მრავალფეროვანი ხდება. თანამედროვე პლანშეტებს უნდა შეეძლოთ პროდუქტიულობის აპლიკაციების გაშვება, სტილუსით ზუსტად ხატვა, ვიდეოკონფერენციების ჩატარება, ფოტოებისა და ვიდეოების დამუშავება და თამაშების მხარდაჭერა. მთავარი გამოწვევაა მაღალი წარმადობის დაბალანსება დაბალი ენერგომოხმარებასთან და თხელ კორპუსთან დიდი გაგრილების სისტემების გარეშე.
თერმული და ბატარეის შეზღუდვების გამო, პლანშეტის ჩიპსეტებს უნდა ჰქონდეთ:
– ეფექტური CPU ყოველდღიური დავალებების და მულტიტასკინგისთვის.
– მძლავრი გრაფიკული პროცესორი გრაფიკისა და პარალელური გამოთვლებისთვის.
– NPU/AI ამაჩქარებელი მოწყობილობაზე არსებული AI ფუნქციებისთვის (მაგ., მეტყველების ამოცნობა, გამოსახულების დამუშავება, ტექსტის შეჯამება).
– ISP (სურათის სიგნალის პროცესორი) კამერისა და დოკუმენტების სკანირებისთვის.
– მოდემი და კავშირი (Wi-Fi, 5G, მოდელის მიხედვით).
– უსაფრთხოება (უსაფრთხო ანკლავი, სანდო შესრულების გარემო).
ეს სირთულე ჩიპის დიზაინის პროცესს შრომატევადს და ძვირადღირებულს ხდის. სწორედ აქ იწყებს ხელოვნური ინტელექტი ფართოდ გამოყენებას.
ხელოვნური ინტელექტის როლი ჩიპსეტის დიზაინის ეტაპზე
1. არქიტექტურული დაგეგმარება და დიზაინის შესწავლა (დიზაინის სივრცის შესწავლა)
ტრანზისტორის განლაგების მსგავს ტექნიკურ დეტალებზე გადასვლამდე, ჩიპების გუნდმა უნდა განსაზღვროს არქიტექტურა: პროცესორის ბირთვების რაოდენობა, ქეშის ზომა, გრაფიკული პროცესორის კონფიგურაცია, მეხსიერების გამტარობა და სიმძლავრის სამიზნე მაჩვენებლები. ეს, როგორც წესი, ხანგრძლივ სიმულაციებსა და იტერაციებს მოიცავს.
ხელოვნურ ინტელექტს შეუძლია დააჩქაროს ეს ეტაპი შემდეგი გზით:
– შექმენით შესრულებისა და სიმძლავრის პროგნოზირების მოდელები კონკრეტული კონფიგურაციების საფუძველზე.
– სამიზნის მიხედვით კომპონენტების ოპტიმალურ კომბინაციას გვთავაზობს (მაგ., პლანშეტი პროდუქტიულობისთვის სათამაშოდ).
– ამცირებს ხელით შესასრულებელი ექსპერიმენტების რაოდენობას.
შედეგად, გუნდებს უფრო სწრაფად შეუძლიათ იპოვონ „საუკეთესო წერტილი“ შესრულებასა და ეფექტურობას შორის.
2. RTL (რეგისტრაციის გადაცემის დონე) ოპტიმიზაცია
RTL არის აპარატურის ქცევის „აღწერა“, რომელიც სინთეზირდება ლოგიკურ სქემებში. RTL-ში ბევრი გადაწყვეტილება გავლენას ახდენს სიხშირეზე, სიმძლავრესა და ჩიპის ზომაზე.
ხელოვნური ინტელექტი/მანქანური სწავლება დაგეხმარებათ:
– RTL-ის ყველაზე ენერგომოხმარებელი ან დროის შემაფერხებელი ნაწილების იდენტიფიცირება.
– რეკომენდაციების მიცემა რეფაქტორინგის ან მიკროარქიტექტურის ცვლილებებისთვის.
– ცვლილებების გავლენის შეფასება სრული სინთეზის პროცესის განხორციელებამდეც კი.
3. ხელოვნური ინტელექტის დახმარებით იატაკის დაგეგმვა და განლაგება და მარშრუტიზაცია
ჩიპების დიზაინში ერთ-ერთი ყველაზე რთული ამოცანაა ძირითადი ბლოკების (CPU კლასტერი, GPU, NPU, ქეში, მეხსიერება, ISP) ადგილმდებარეობის დადგენა ჩიპში/SoC-ში და შემდეგ მათი ურთიერთდაკავშირების გზების (მარშრუტიზაციის) განსაზღვრა. არასწორმა განთავსებამ შეიძლება გამოიწვიოს ენერგომოხმარების ზრდა, სითბოს კონცენტრირება ან სიგნალის არასწორი განლაგება.
ხელოვნური ინტელექტი აქ ძალიან ეფექტურია, რადგან პრობლემა მსგავსია „სივრცის ოპტიმიზაციისა“ და „საუკეთესო გადაწყვეტის ძიების“:
– გაძლიერებული სწავლების გამოყენებით შეგიძლიათ სცადოთ იატაკის დაგეგმვის სხვადასხვა ვარიანტი და შედეგებიდან ისწავლოთ.
– ხელოვნურ ინტელექტს შეუძლია შეამციროს ფიზიკური დიზაინის იტერაციები, რაც, როგორც წესი, კვირებს მოითხოვს.
– უკეთეს განლაგებას შეუძლია შეამციროს კავშირის ხანგრძლივობა, შეამციროს შეყოვნება და გაზარდოს ეფექტურობა.
პლანშეტებისთვის ეს მნიშვნელოვანია, რადგან მოწყობილობას თხელ კორპუსში სიგრილე და ენერგოეფექტურობა სჭირდება.
4. შეცდომების ადრეული შემოწმება და გამოვლენა
ვერიფიკაცია ჩიპის შემუშავების ხარჯებისა და დროის ერთ-ერთი ყველაზე მნიშვნელოვანი კომპონენტია. შეცდომები, რომლებიც მის წარმოებაში მოხვედრას გულისხმობს, შეიძლება ძალიან ძვირი დაჯდეს და პროდუქტის გამოძახებამდეც კი მიგვიყვანოს.
ხელოვნური ინტელექტი ეხმარება:
– სიმულაციის შედეგების კლასიფიკაცია ყველაზე სარისკო შემთხვევების პრიორიტეტულობის დასადგენად.
– წარუმატებლობის ნიმუშების აღმოჩენა მასშტაბური შემოწმების ჟურნალებიდან.
– დამატებითი სატესტო შემთხვევების ავტომატურად გენერირება (დაფარვაზე დაფუძნებული).
ამრიგად, დიზაინის ხარისხი იზრდება და მარცხის რისკი მცირდება.
5. ენერგიის ოპტიმიზაცია და თერმული მართვა
პლანშეტები მოითხოვენ ეფექტურობას: შეზღუდული სიმძლავრე, მცირე თერმული სივრცე. ხელოვნური ინტელექტის გამოყენება შესაძლებელია:
– გამოყენების პროფილების მოდელირება (დათვალიერება, სტრიმინგი, თამაშები, სტილუსით ხატვა).
– დატვირთვის პროგნოზირების საფუძველზე DVFS-ის (დინამიური ძაბვისა და სიხშირის სკალირება) ოპტიმიზაცია.
– ეხმარება დიზაინერებს ყველაზე ეფექტური ენერგიისა და საათის გეითინგის სტრატეგიების არჩევაში.
დიზაინის კონტექსტში, ხელოვნურ ინტელექტს შეუძლია მოგვაწოდოს ინფორმაცია იმის შესახებ, უნდა გაიზარდოს თუ არა NPU კონკრეტული მოდელის გაშვებისას ენერგიის დაზოგვის მიზნით, ან უფრო მეტად შეეფერება თუ არა GPU კონკრეტული ხელოვნური ინტელექტის გამოთვლითი დატვირთვის მართვას.
ხელოვნური ინტელექტის როლი ჩიპსეტების წარმოებასა და წარმოებაში
დიზაინის დასრულების შემდეგ, ჩიპი იწარმოება ნახევარგამტარების ქარხანაში (fab). თანამედროვე წარმოების პროცესები ძალიან რთულია: ლითოგრაფიის, დეპონირების, გრავირებისა და შემოწმების ასობით ეტაპი. ხელოვნური ინტელექტი სულ უფრო ხშირად გამოიყენება მოსავლიანობის (გამჭოლი ჩიპების პროცენტული მაჩვენებელი) გასაზრდელად და ხარისხის ვარიაციის შესამცირებლად.
1. მოსავლიანობის პროგნოზირება და დეფექტების აღმოჩენა
ხელოვნურ ინტელექტს შეუძლია მაღალი გარჩევადობის ვაფლის შემოწმების სურათების დამუშავება შემდეგი მიზნებისთვის:
– იმ მიკრო დეფექტების იდენტიფიცირება, რომელთა აღმოჩენა ტრადიციული წესებით რთულია.
– მარცხის მაღალი რისკის მქონე ვაფლის არეების პროგნოზირება.
– რეკომენდაციების მიცემა პროცესის კორექტირებისთვის მოსავლიანობის გაზრდის მიზნით.
უკეთესი მოსავლიანობა ჩიპზე დაბალ ფასს ნიშნავს, რაც მნიშვნელოვანია პლანშეტებისთვის კონკურენტულ და ფასისადმი მგრძნობიარე ბაზარზე.
2. ადაპტური პროცესის კონტროლი
ხელოვნურ ინტელექტს შეუძლია პროცესის პარამეტრებს (მაგ., ტემპერატურა, წნევა, ექსპოზიციის დრო) და პროდუქტის ხარისხს შორის ურთიერთკავშირის შესწავლა. ამ მიდგომით:
– Fab-ს შეუძლია სწრაფი კორექტირების განხორციელება, როდესაც მანქანაზე დრიფტი გამოჩნდება.
– პარტიებს შორის ვარიაციის შემცირება შესაძლებელია.
– ჩიპის მუშაობის თანმიმდევრულობა იზრდება.
3. უფრო ჭკვიანი ტესტირება
ჩიპის დამზადების შემდეგ, ტარდება ტესტირება ფუნქციონალურობისა და ბინირების კლასიფიკაციის უზრუნველსაყოფად (მაგ., რომელ ჩიპებს შეუძლიათ მუშაობა მაღალ და დაბალ სიხშირეებზე). ხელოვნური ინტელექტი ეხმარება:
– შეამცირეთ ტესტირების დრო შედეგების პროგნოზირებით გაზომვების ქვესიმრავლის საფუძველზე.
– წარუმატებლობის ბუნდოვანი კორელაციების პოვნა.
– ტაბლეტის პროდუქტის საჭიროებების შესაბამისად, ჯგუფური სტრატეგიების ოპტიმიზაცია (მაგ., ენერგიის დაზოგვა და შესრულების ვარიანტები).
რატომ არის ხელოვნური ინტელექტი განსაკუთრებით მნიშვნელოვანი პლანშეტური ჩიპსეტებისთვის?
სხვა მოწყობილობებთან შედარებით, პლანშეტებს აქვთ უნიკალური მახასიათებლები:
– შეზღუდული თერმული მოქმედება: პლანშეტები იშვიათად იყენებენ ვენტილატორებს.
– ელემენტი გამძლე უნდა იყოს: მომხმარებლებს ხანგრძლივი კვების ენერგია სჭირდებათ.
– სამუშაო დატვირთვა განსხვავებულია: მსუბუქიდან (კითხვა) მძიმემდე (რენდერინგი, თამაში, რედაქტირება).
– მოწყობილობაზე დამონტაჟებული ხელოვნური ინტელექტის საჭიროება იზრდება: ისეთი ფუნქციები, როგორიცაა ხელნაწერის ამოცნობა, ხმაურის ჩახშობა, ფონის დაბინდვა, დოკუმენტის OCR და ჩანაწერების შეჯამება.
ჩიპების დიზაინში ხელოვნური ინტელექტი ხელს უწყობს ამ მიზნების მიღწევას უფრო სწრაფი იტერაციებით და უფრო ოპტიმალური გადაწყვეტილებებით.
ხელოვნური ინტელექტის გამოყენების გამოწვევები და რისკები
პერსპექტივის მიუხედავად, არსებობს გარკვეული გამოწვევები:
1. მონაცემთა ხარისხი: ხელოვნური ინტელექტის მოდელი იმდენად კარგია, რამდენადაც კარგია მისი სასწავლო მონაცემები. დიზაინისა და წარმოების მონაცემები ხშირად მგრძნობიარეა და მათი გაზიარება ადვილი არ არის.
2. ინტერპრეტაცია: ხელოვნური ინტელექტის მიერ იატაკის დაგეგმარებისა თუ ოპტიმიზაციის შესახებ გადაწყვეტილებების ახსნა ზოგჯერ რთულია, მიუხედავად იმისა, რომ ინჟინრებს ტექნიკური მიზეზების გაგება სჭირდებათ.
3. ინსტრუმენტთა ჯაჭვის ინტეგრაცია: EDA (ელექტრონული დიზაინის ავტომატიზაციის) მილსადენები ისედაც რთულია; ხელოვნური ინტელექტის დამატება საფუძვლიან ინტეგრაციას მოითხოვს.
4. უსაფრთხოება და ინტელექტუალური საკუთრება: ჩიპების დიზაინი ღირებული აქტივია. ხელოვნური ინტელექტის გამოყენება, განსაკუთრებით ღრუბელზე დაფუძნებულის, გაჟონვის რისკს ქმნის.
5. შედეგების ვალიდაცია: ხელოვნური ინტელექტის რეკომენდაციების შედეგები კვლავ მკაცრად უნდა იყოს დამოწმებული, რადგან მცირე შეცდომებს შეიძლება დიდი გავლენა ჰქონდეს.
მომავალი: სულ უფრო მეტად ხელოვნური ინტელექტით დაფუძნებული პლანშეტური ჩიპსეტები
მომავალში, ხელოვნური ინტელექტის გამოყენება სულ უფრო მეტად ინტეგრირდება ჩიპის სასიცოცხლო ციკლის განმავლობაში:
– უფრო ავტომატიზირებული დიზაინი სპეციფიკაციებიდან აპარატურის ნახაზებამდე.
– აპარატურულ-პროგრამული უზრუნველყოფის ერთობლივი დიზაინი, სადაც NPU არქიტექტურა, კომპილატორი და ხელოვნური ინტელექტის მოდელი ერთად არის შექმნილი.
– პლანშეტის სამუშაო დატვირთვის სპეციფიკური ოპტიმიზაცია: დაბალი შეყოვნების სტილუსი, რეალურ დროში კამერით დამუშავება და ენერგოეფექტური მულტიმედია.
– უფრო ეფექტური წარმოება ხელოვნურ ინტელექტზე დაფუძნებული ხედვის შემოწმებით და ადაპტური პროცესის კონტროლით.
საბოლოო ჯამში, ხელოვნური ინტელექტი არა მხოლოდ პლანშეტების ფუნქცია იქნება, არამედ „დამატებითი ინჟინერიც“, რომელიც დააჩქარებს მოწყობილობების უკან მდგომ ჩიპსეტებში ინოვაციებს. ეს კომბინაცია პლანშეტებს უფრო მძლავრს, ენერგოეფექტურს, სწრაფ რეაგირებას და უფრო ინტელექტუალური ამოცანების პირდაპირ მოწყობილობაზე შესრულების შესაძლებლობას მისცემს — ღრუბელზე მუდმივად დაყრდნობის გარეშე.
-
თუ გსურთ, შემიძლია ეს სტატია ადაპტირება გავუკეთო შემდეგ ვერსიებს: (1) ელექტროტექნიკოსებისთვის/სტუდენტი მკითხველებისთვის უფრო ტექნიკურ ვერსიად, (2) ტექნოლოგიური ბლოგებისთვის პოპულარულ ვერსიად ან (3) პლანშეტის SoC დიზაინის ნულიდან მასობრივ წარმოებამდე მიმდინარეობის ფოკუსირებულ შემთხვევის შესწავლად.
