NVIDIA 这是你一提到显卡就会想到的第一个名字。它在许多领域投入了大量时间来设计先进的硅片。这家科技巨头正在寻找改进芯片设计过程的方法。

芯片采购网专注于整合国内外授权IC代理商现货资源，芯片库存实时查询，行业价格合理，采购方便IC芯片，国内专业芯片采购平台。

绿色团队预计未来几年集成电路设计的复杂性将呈指数级增长。这就是为什么使用它 GPU 计算单元的力量将很快从一个有趣的实验室实验转变为所有芯片制造商的必需品。

NVIDIA 研究高级副总裁首席科学家兼首席科学家兼研究副总裁 Bill Dally 在今年的GPU 技术大会 (GTC)谈了很多关于使用的事情 GPU 来加速现代 GPU 和其他 SoC 设计过程各阶段背后的问题。NVIDIA 相信使用机器学习而不是让人类手动完成某些任务会更好更快地执行。

Dally 领导一个由 300 由著名研究人员组成的团队努力工作 GPU 变得越来越快。团队希望使用它。 GPU 克服技术挑战、自动化和加速传统方法以外的各种任务。上述研究团队 2019 年有 175 人，还在增长。

Bill Dally 在加速芯片设计方面，NVIDIA 利用机器学习技术确定了四个领域。例如，在 GPU 在传统中，使用电源的映射是一个迭代过程 CAD 工具需要三个小时。然而，当使用经过特殊训练的人工智能时 (AI) 这个任务只需要几分钟。教完模型后，这个时间可以缩短到几秒钟。当然，误差范围在人工智能中非常重要。但 Dally 表示，NVIDIA 工具已经到了 94% 这仍然是一个可观的数字。

电路设计是一个劳动密集型的过程，工程师在模拟部分设计后需要多次更改布局。因此，培训 AI 模型对正确的干扰做出准确的预测，有助于消除大量的手动工作，这些工作包括对设计规范所需的细微调整。NVIDIA 可以利用 GPU 预测使用图形神经网络的干扰。

Dally 现代芯片设计的最大挑战之一是布线拥堵。这种缺陷表现在特定的电路布局中，晶体管和许多连接它们的小导线没有最好的位置。我们可以把它比作交通拥堵，但让我们考虑虱子而不是汽车。利用图形神经网络，工程师可以快速识别问题区域，并相应调整其位置和方向。

在这些场景中，英伟达试图使用人工智能而不是人工芯片设计。该公司的工程师可以创建一个替代模型，并使用人工智能快速评估，而不是开始劳动密集型和高计算成本的过程。这家科技巨头望使用人工智能来设计它 GPU 以及其他高级硅晶体管逻辑的最基本方面。

GPU 制造商已经开始采取必要的措施，转向更先进的制造技术，必须根据复杂的设计规则更换数千个标准单元。 NVCell 该项目正试图通过一种叫做强化学习的方法尽可能自动化。

经过训练的 AI 在完成之前，模型的任务是纠正设计错误。NVIDIA 声称至今已达到 92% 成功率。在某些情况下，人工智能设计的细胞可能小于人类制造的细胞。任何突破都可以提高设计的整体性能，并有助于降低芯片尺寸和功耗要求。

半导体技术正在迅速接近我们使用硅所能达到的理论极限。另一方面，随着生产技术的变化，成本也在增加。因此，任何设计阶段的小改进都能产生更好的效率，特别是在减少晶圆尺寸的情况下。

如您所知，绿队将芯片生产外包给三星、台积电等公司。DaSimcom代理lly 是 NVIDIA 他说是因为领军人物之一 NVCell，事情进展得更快。 10 由著名工程师组成的团队可以使用 GPU 这样，公司内部的重要人物就可以更容易地专注于其他领域。

芯片设计方面，NVIDIA 不是唯一一家转向人工智能的公司。另一家科技巨头谷歌正在使用机器学习来开发人工智能任务的加速器。谷歌发现了一些意想不到的优化人工智能性能和能效的方法。另一方面，三星的半导体部门使用了一种名为DSO.ai新思科技工具正逐渐被其他大大小小的公司采用。

由于半导体生产不足，汽车工业在过去两年遭受了巨大损失。在这种情况下，OEM可以使用成熟的制造技术(12 人工智能制造芯片智能制造芯片来解决短缺问题。另一方面，由于半导体领域的激烈竞争，大多数制造商烈竞争。

超过 50% 芯片采用成熟的半导体工艺设计。国际数据公司分析师预计， 2025 年，这一份额将增加到 68%。Synopsis 首席执行官 Aart de Geus 人工智能设计芯片能设计芯片可以用于汽车、电器和许多其他性能不优先的设备。该方法的成本低于改用更先进的生产技术。此外，在每个晶片(硅盘)上放置更多的芯片再次节省成本。

众所周知，人工智能会随着时间的推移而取代人类。芯片设计过程中没有这样的故事。英伟达、谷歌、三星等公司发现，当涉及到越来越复杂的设计时，人工智能可以赋予人类权力，承担繁重的工作。人们仍然必须找出要解决的问题，并决定哪些数据有助于验证芯片设计。另一方面，人工智能可以更快地处理这个过程。