CEO们的展望。
本文主要围绕芯片设计的变化进行讨论,参与讨论的有:半导体工程与Siemens Digital Industries Software的 IC EDA 执行副总裁 Joseph Sawicki ;还有PDF Solutions总裁兼首席执行官 John Kibarian ;Ansys半导体事业部总经理兼副总裁John Lee ;是德科技PathWave 软件解决方案副总裁兼总经理 Niels Faché ;IC Manage总裁兼首席执行官Dean Drako;Simon Segars,Arm前首席执行官兼沃达丰董事会董事;Real Intent 总裁兼首席执行官 Prakash Narain。
SE:当你设计一个复杂的芯片时,你怎么知道你正在看的是好的数据?
Narain:我们专注于一个非常具体的问题。如果你关注安全或产品生命周期管理,则必须对其进行量化。但是现在我们要使用那个函数,所以你必须为它做好计划。它必须成为战略的一部分,在这种情况下必须签署所有其他需要改进的变量。归根结底,工作流程中它是一组离散的签核步骤,需要经过这些步骤才能找到合理的失败点并制定计划。
Faché:数据管理是我们都需要的核心能力。它是来自我们所有工具的模拟数据。我们的测试设备正在生成大量数据。真正的关键是要确保有一个很好的方法来探索数据并标记它。这使你可以将该数据与特定设计或测试设置或生成数据的条件相关联,然后可以从中获得洞察力。比较模拟和测试,查看相关性,并使用它来改进设计并预测实际产品的行为方式。这就是为什么数据管理是一项关键能力。
SE:但是数据共享是个大问题。许多关键数据都来自晶圆厂。它如何在一个组织中传递,以便与芯片架构师和设计到制造链的其他部分共享?
Kibarian:这个行业的每个人都非常神秘,但我们是世界上协作程度最高的行业。我们以某种方式设法共享数据,并以一种尊重的方式进行。有各种各样的协议可以让这一切正常进行——你如何共享数据,你如何将它存储在云中,零信任所需的加密量。然后是人们正在玩的类似科幻小说的东西,比如数据的同态加密。我们也尝试过很多这样的事情,但今天它真的是关于谁可以看到什么数据的协议。今天,PDF 为世界各地的客户存储了数据,因此我们只处理其中的一部分。但在未来,我们可以使用允许处理数据的加密技术做更多的事情。
Lee:数据太多,因为可以生成大量数据,而且对这些数据的处理也存在问题。这就是 AI/ML 可以而且确实有帮助的地方。与此同时,我们实际上没有足够的数据,这又回到了覆盖面。系统规模越来越大,因此永远无法获得完整的覆盖范围。人工智能也可以提供帮助。我想再对数据发表评论。如果看一家公司,假设他们在做 3D-IC,他们有芯片团队,他们有封装团队。这些团队使用的数据可能非常粗糙,例如电子表格或电子邮件,上面写着:“嘿,去看看这个文件。” 因此,存在于半导体设计之外的许多地方的数字化转型实际上并没有在 EDA 社区内得到解决。
SE:目前使用的大多数小芯片都是由大型芯片制造商在内部开发的。随着我们越来越多地进入虚拟市场,我们如何确保所有这些小芯片都能按预期工作并且具有一致的特征?这甚至会起作用吗?这真的只是IP市场的延伸吗?
Segars:你可以从两个方面考虑 IP。你可以向人们发送 RTL(软 IP)以创建可用的软件。你必须拥有最新的功能。你必须在某个过程中实施它以获得类似的性能结果,然后才能开始使用它。在小芯片中运送库或内存的复杂性意味着你现在已经很难实现它。然后,在你锁定它的那一刻,有人想要一些稍微不同的东西。然后你在证明它、构建它和发送它方面所做的所有工作都被淘汰了。因此,使用小芯片需要进行一些转变。但这是一种切实可行的前进方式,人们一旦完成它们就会对小芯片感到非常满意。我确实认为有巨大的潜力能够优化数字领域的一切,将其与一些模拟、硅光子学、电源以及所有这些都放在一个封装中。对我来说,这为集成、性能和能源效率开辟了新的维度。现在是所有领域的黑带人士都在做这件事。但这创造了巨大的潜力。
Sawicki:这里有两个比喻,它们都指向不同的方向。一种是我们这个行业已经存在了一段时间的IP,你把相对复杂的系统放在一起,你可以现成地买。当它们集成到你的芯片中时,你将获得定制选项,使你能够以有趣的方式优化整体系统性能。另一个比喻是,这些小芯片就像你带到板上的封装部件,这让你有机会不必承担所有的研发成本,但你仍然可以获得这种灵活性。随着越来越多的人接受这一挑战,你可以确定目前它在哪里发挥作用并控制整个事情。赛灵思是第一个。现在英特尔和 AMD 正在做所有这些事情。我们回到同一个模型吗?这是一个有趣的困境。
SE:在将小芯片组装在一起并制造整个系统之前,我们将如何测试这些小芯片?
Faché:如果你看小芯片,并且你有物理设计,它需要大量的物理模拟——电磁和热。市面上有很多工具,但关键是应用这些工具来解决它们最适合的问题,并将它们集成到整个工作流程中,这样你就不会离开高度专业化的工具到另一个专门的工具。在这种情况下,你将不得不处理数据传输,这会花费很多时间,因为可能会出现很多与之相关的错误。你需要合适的工具来完成这项工作,并且必须将其集成到整个工作流程中。
Lee:我们致力于开发不只是针对某个时间点的产品。如果你查看汽车中的系统,你会希望它运行 10 多年。因此,机载传感器、机载数据输入/数据输出非常重要,无论是预测试还是贯穿零件的整个生命周期。问题是我们可以获得尽可能多的数据,但我们无法衡量很多数据。这是 AI/ML 和基于多物理的模型的机会。
Drako:小芯片与 30 年前的多芯片模块没有什么不同。它很混乱,很难测试,但我们已经做了 30 年了。今天有点难,但我们会解决的。那里没有神奇的东西。就设备之间的集成而言,它与我们在 1970 年代拥有的 TTL 数据手册没有什么不同。这是 CPU 内核等,但是我们将使用其他一些基板而不是电路板。我们会非常擅长的,那里不需要疯狂的创新。但在数据方面,我们有生产数据、测试数据、成品率数据和模拟数据。然后我们有了一个设计,并且有不同的数据堆。有了人工智能,我们就有了一堆全新的数据,即训练数据。如果你考虑一下我们在 EDA 行业中使用的数据,它可以分为四五个截然不同的堆。我们有一个用于分发和管理该数据的系统,并围绕该系统设置了一个流程,因此我们不会在工程师和电子邮件之间发送电子表格来进行交接。我们的客户为他们的设计数据做那种事情。但训练数据是 EDA 行业不处理的全新数据集。
SE:你有这些数据,但你现在也有这些其他元素进入设计,即芯片被用于任务和安全关键应用程序,它们应该持续更长时间。我们如何提高其整个生命周期的可靠性?必须改变什么?
Kibarian:人们现在在现场使用芯片来收集数据。有像 ISO 26262 这样的标准说你要在现场测试芯片,并且数据会返回。你需要有来自制造业的数据来与之进行比较。我们需要制定标准的其中一件事是确保数据不会在某个地方传输,并且它是安全的,从区块链或其他技术开始,以确保来自制造的信息确实是那里的数据。每当有 RMA 时,总会有人争论为什么数据是这样的?如果那个芯片坏了,那么其他芯片也可能坏了。向我证明这些是你唯一要召回的芯片。这总是发生在芯片制造商和它的客户之间,并提供成品率数据。零信任还有另一个问题。除了加密之外,这意味着当你作为供应商说你将数据存储 20 年时,你将存储它而不更改它来支持你的需求。所以除了加密,除了长期存储,除了芯片上的遥测之外,你还需要处理你正在配对的数据是否被更改或操纵。这就是区块链技术不断改进的地方。它是不可变的。它没有改变。
Narain:如果你有一个关键任务应用程序,你需要将诊断和恢复的能力设计到系统中。这需要从你正在构建的这个特定系统的非常高的层次上进行规划和设计。你必须弄清楚你的可靠性策略和实施,并确保它运作良好。验证要求你识别单点故障并确保它们被覆盖。然后,什么是工具和验证机制?所以需求是消除单点故障,然后创建工具和验证机制。
全部0条评论
快来发表一下你的评论吧 !