Enerji Verimli AI Dönemi için Çip Üretiminde İnovasyonu Hızlandırmak

Bu sponsorlu makale, Applied Materials tarafından sunulmaktadır. Tarihin dönüm noktalarında, ilerleme bireysel deha ile sınırlı kalmamıştır. En önemli atılımlar - İnsan Genomu Projesi gibi - yeni bir işletim paradigması gerektirmiştir: Dünyanın en iyi yeteneklerini tek bir misyon etrafında toplamak, ortak bir platform oluşturmak, kritik altyapıyı paylaşmak ve geri bildirim döngülerini birleştirmek. Riskler yüksek ve zaman çizelgeleri sıkıştığında, ardışık ve izole yenilikler bu hıza ayak uyduramaz. Bugünün yapay zeka dönemi, benzer taleplerle bir mühendislik yarışı yaratıyor. Her şirket, daha yüksek performanslı yapay zeka sistemleri sunmak için çaba gösteriyor. Ancak performans artık yalnızca hesaplama ile tanımlanmıyor. Yapay zeka iş yükleri giderek veri hareketi tarafından domine ediliyor: Birçok durumda, bitleri taşımak, hesaplamadan daha fazla enerji tüketiyor. Sonuç olarak, bit başına enerjiyi azaltmak, sistem düzeyinde performansı artırabilirken, pik hesaplamadaki kazançları da uzatabilir. Enerji verimli yapay zeka yolculuğu, bu nedenle, üç sıkı bir şekilde bağlantılı alanda sistem düzeyinde mühendislikten geçmektedir: Mantık, burada watt başına performansın verimli transistor anahtarlama, düşük kayıplı güç ve yoğun kablolama ile sinyal iletimi ile belirlendiği alan. Hafıza, artan bant genişliği ve kapasite taleplerinin hafıza duvarını açığa çıkardığı alan; işlemci yetenekleri hafıza erişiminden daha hızlı ilerliyor. Gelişmiş paketleme, 3D entegrasyon, çiplet mimarileri ve yüksek yoğunluklu bağlantılar ile hesaplama ve hafızayı daha yakın hale getiriyor - monolitik ölçeklemenin artık sürdüremeyeceği sistem tasarımlarını mümkün kılıyor. Bu alanlar artık bağımsız olarak optimize edilemez. Mantık verimliliğindeki kazançlar, yeterli hafıza bant genişliği olmadan duraklar. Hafıza bant genişliğindeki ilerlemeler, paketleme termal ve mekanik kısıtlar içinde yakınlık sağlayamazsa yetersiz kalır. Paketleme, ön uç cihaz üretimi ve arka uç entegrasyon süreçlerinin hassasiyeti ile sınırlıdır. Angström döneminde, en zor problemler sınırda ortaya çıkar - pakette hesaplama ve hafıza arasındaki, ön uç ve arka uç entegrasyonu arasındaki ve hassas 3D üretim için gerekli sıkı bağlı süreç adımları arasındaki. Ve tam da bu sınır odaklı karmaşıklık, geleneksel yenilik modelinin çöktüğü yerdir. Geleneksel Ar-Ge İş Akışı Angström Dönemi Yapay Zeka İçin Çok Yavaş On yıllardır, yarı iletken endüstrisinin Ar-Ge modeli bir bayrak yarışı gibi görünüyordu. Yetenekler ekosistemin bir bölümünde geliştirilir, entegrasyon ve üretim yoluyla aşağıya aktarılır, çip ve sistem tasarımcıları tarafından değerlendirilir ve ancak o zaman bir sonraki iterasyona geri beslenir. Bu model, ilerlemenin bağımsız olarak ölçeklenebilen ve üretim akışına basitçe yerleştirilebilen nispeten modüler adımlarla belirlendiği zaman işe yaradı. Ancak yapay zeka zaman çizelgesi bu kuralları alt üst etti. Angström ölçeğindeki boyutlarda, fizik, tüm yığın boyunca kaçınılmaz bir bağlantı zorunluluğu getiriyor: malzeme seçimleri entegrasyon şemalarını şekillendiriyor; entegrasyon tasarım kurallarını tanımlıyor; tasarım kuralları güç iletimini belirliyor; kablolama termal bütçeleri belirliyor; ve termal koşullar nihayetinde paketleme ölçeklenmesini sınırlıyor. Sistem mimarları, her büyük yarı iletken teknoloji değişiminin olgunlaşması için 10-15 yıl bekleyemezler. Yaklaşık 5 milyar dolarlık bir yatırımı temsil eden EPIC, ABD tarihindeki en büyük ileri düzey yarı iletken ekipman Ar-Ge taahhüdüdür. Uzun vadeli bir bakış açısı, malzeme yeniliğini ortaya çıkan cihaz mimarileri ile uyumlu hale getirmek için gereklidir - ve her ikisini de üretilebilir hassasiyetle entegre etmek için gereken araçları ve süreçleri geliştirmek için. Applied Materials olarak, müşterilerimizle birlikte, önümüzdeki 3-4 nesil boyunca, yol haritasında 10 yıla kadar uzanan bir yol haritası çiziyoruz. Angström dönemi, endüstrinin en iyi zihinlerini bir araya getirmemizi gerektiriyor - önde gelen şirketlerden önde gelen akademik kurumlara kadar. Eğer sorun birbiriyle bağlantılıysa, çözüm de bağlantılı olmalıdır. Eğer zaman çizelgesi sıkışmışsa, öğrenme döngüsü de sıkışmış olmalıdır. Sadece yenilik yapmak yeterli değil - yenilik yapma şeklimizi de yenilik yapmalıyız