女人荫蒂被添全过程13种图片,亚洲+欧美+在线,欧洲精品无码一区二区三区 ,在厨房拨开内裤进入毛片

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

提供設(shè)計/驗證工具以創(chuàng)建 AI 芯片

劉桂英 ? 來源:zym123456 ? 作者:zym123456 ? 2022-08-01 11:59 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

有道理的是,我們會發(fā)現(xiàn)很多應用程序,我們可以在其中利用人工智能的力量來改進我們的流程并更快地構(gòu)建芯片。

Mentor, a Siemens Business 的高級營銷總監(jiān) Jean-Marie Brunet 擔任主持人,主持了一場出席人數(shù)眾多且熱鬧非凡的 DVCon 美國小組討論,討論人工智能 (AI) 和機器學習 (ML) 的熱門話題。

長達一小時的會議由 Achronix 副總裁兼首席技術(shù)專家 Raymond Nijssen 主持。Arm 研究員兼技術(shù)總監(jiān) Rob Aitken;AMD 高級研究員 Alex Starr;Mythic 硬件工程副總裁 Ty Garibay;英偉達應用深度學習研究主管 Saad Godil。

根據(jù)小組記錄,這個由四部分組成的迷你系列的第 1 部分講述了 Brunet 關(guān)于人工智能如何重塑半導體行業(yè)的第一個問題,特別是芯片設(shè)計驗證,以及小組成員的回答(參見“專家權(quán)衡人工智能重塑半導體工業(yè)”)。

接下來是第 2 部分,該部分涉及 AI 芯片的設(shè)計和驗證。第 3 部分和第 4 部分將包括觀眾成員的問題和小組成員的回答。

Raymond Nijssen:在我看來,我們才剛剛開始接觸人工智能。這將是一條漫長的道路,這將是一個激動人心的時刻。我們必須現(xiàn)在或一年后做好準備,并且絕對做好準備。該方法可以是漸進的。我們已經(jīng)可以自動化一些很棒的小事情。

如果我們想深入了解我們在這里談論的內(nèi)容,傳統(tǒng)上,使用機器學習,您需要擁有一個數(shù)據(jù)集,然后使用該數(shù)據(jù)集訓練您的機器學習網(wǎng)絡(luò)。

在驗證的情況下,您可能想知道該訓練集是什么樣的。它是一個包含錯誤的大數(shù)據(jù)集,可能會影響系統(tǒng)并引發(fā)問題,“這是好還是壞?” 因為你受過訓練?再退一步。如果你看一下機器學習系統(tǒng)是什么,它是一個通用的曲線擬合函數(shù)。

如果您還記得高中或大學中的曲線擬合函數(shù),那么它就是構(gòu)建最適合一系列數(shù)據(jù)點的曲線或數(shù)學函數(shù)的過程。然后你可以有一堆系數(shù)進入曲線擬合運動訓練數(shù)據(jù)。從曲線擬合練習中得出的系數(shù)將成為您的系數(shù)。那么問題是,如果你有一個新的 x 值,你能預測那個類比中的 y 值嗎?然后你可以說它好或壞。

現(xiàn)在,回到設(shè)計驗證。如果你想擴展這個類比,你必須有一個包含正確事物的大數(shù)據(jù)集和另一個包含錯誤事物的數(shù)據(jù)集。

如果你看看設(shè)計驗證的另一個領(lǐng)域——如果你可以稱之為——晶圓廠中的晶圓檢測。人們使用機器學習是因為它可以通過這種方法自動識別一些東西。如果我在那里有許多 Verilog 插入并且我的插入正在完成,我怎么知道當我運行任何類型的模擬或我正在查看的內(nèi)容是正確的?我們必須有能夠以某種方式預測什么是好的,什么是不好的訓練集。在許多情況下,如果您正在查看某個 AI 產(chǎn)生的波形,您可以這樣做。這是未來不尋常的事情——在此之前我從未見過這一系列事件,作為一名人工智能設(shè)計師,你需要看看。我認為作為具有訓練數(shù)據(jù)的工具,您可以直截了當。

我們準備好了嗎?是的,我認為我們已經(jīng)為此做好了準備。

如果您查看 Google Go,這是另一個正在執(zhí)行規(guī)則的示例,但系統(tǒng)沒有被告知規(guī)則是什么。它只是通過輸入大量數(shù)據(jù)來學習規(guī)則。我認為類比延伸到沿著這些思路的設(shè)計驗證。

Ty Garibay:確實所有處理器都使用軟件。對于其中一些人工智能應用程序來說,這可能更真實。這些芯片只是一堆乘法器,上面有一些編程。這些芯片的驗證任務必須包括固件和軟件層,甚至不僅僅是在普通處理器或 SoC 中。

我們沒有用于集成硬件和軟件設(shè)計驗證的良好 EDA 環(huán)境,因為長期以來,我們一直說固件是一個獨立的東西,他們將測試自己的固件。什么?我們實際上是在設(shè)計固件的同時制造硬件。當然,這推動了我們產(chǎn)品的規(guī)格,這很好,但我們沒有我見過的理論來制作一個工具來驗證集成的硬件/軟件產(chǎn)品。我們從調(diào)制解調(diào)器、RF、DSP 中學到了很多東西,我們將這些東西帶到了我們的設(shè)計中,內(nèi)置到我們的系統(tǒng)中,并試圖利用它們。

Rob Aitken:我認為曲線擬合還有一個重要的點。在驗證空間中考慮它很有用,特別是因為如果您的訓練集限制了您的曲線,曲線擬合作為一個過程非常有效。插值是好的,而外插在曲線擬合中是出了名的糟糕。你必須記住,無論你認為你用機器學習解決了什么驗證問題,如果它涉及外推,你很可能會感到失望。

構(gòu)建超越對象檢測的人工智能系統(tǒng)是可能的,但它們比僅僅說“這是一只鴨子”或類似的系統(tǒng)更難設(shè)計。一個能夠正確識別以前從未見過的東西的圖像識別系統(tǒng)是一個更具挑戰(zhàn)性的問題。

亞歷克斯斯塔爾:我想加倍強調(diào)這里已經(jīng)說過的很多事情。這些天我們必須驗證的硬件/軟件生態(tài)系統(tǒng)不僅僅是設(shè)計。我們幾乎在整個行業(yè)都有糟糕的工具來解決這個問題。我們有工具可以查看設(shè)計并同時查看固件在做什么以及軟件堆棧在做什么。這很棒。

我們需要一個更抽象的調(diào)試級別,并以全局視圖理解所有這些。我們需要一個系統(tǒng)的工作流程。最近沒看到什么好工具。我認為這就是我們需要向人工智能設(shè)計行業(yè)發(fā)展的地方,也需要復雜的 CPU、GPU 等,極其復雜的系統(tǒng),在單個芯片中集成數(shù)十個不同類型的微處理器。這是一個復雜的問題,我們今天沒有 EDA 行業(yè)的工具來解決它。

Saad Godil:作為長期從事特定領(lǐng)域芯片工作的人,尤其是 GPU,我在 DVCon 上經(jīng)??吹降囊患戮褪欠浅jP(guān)注設(shè)計重用和第三方 IP 即插即用 -玩以及如何輕松啟用它。

一個觀察:我看到更多的人在定制芯片,更多特定領(lǐng)域的芯片,而不僅僅是人工智能。通常,這些與他們自己的領(lǐng)域特定語言配對。

我認為驗證社區(qū)依賴通用標準和通用工具的機會將會減少。EDA 提供商為每個人構(gòu)建通用的解決方案,這無濟于事。相反,我認為您將不得不自己投資,并且您將在公司內(nèi)部擁有更多專有設(shè)計和標準。

你不能外包和依賴別人的軟件。您將在內(nèi)部進行投資并構(gòu)建您需要的工具,這會變得更加困難,因為大多數(shù)硬件/軟件系統(tǒng)都將具有專有軟件和語言。這將是一筆相當大的投資。

此時,版主 Brunet 介入為 EDA 辯護:考慮使用模擬器進行硬件和軟件驗證的演變。人工智能設(shè)計的一個問題是容量。仿真器可以很好地處理容量。至于實際的硬件/軟件驗證,我們正在取得進展,但還不是很好。AI 領(lǐng)域的不同之處在于與移動框架基準測試不同的新框架。例如,Cafe 工具、TensorFlow 和許多不同的框架。

從 EDA 的角度來看,我們需要用戶的幫助來告訴我們他們需要從設(shè)計中提取什么。并非所有的模擬器都是一樣的。在我們的例子中,我們的模擬器可以提取所有內(nèi)容,但設(shè)計師想要的是避免因為數(shù)據(jù)過多而傾倒大量數(shù)據(jù)。

這就是我們需要指導提取哪些指標很重要的地方。當設(shè)計在模擬器中映射并且軟件正在運行時,我們幾乎可以提取任何東西,但隨后它變成了大量數(shù)據(jù)。

Ty Garibay:我們有一些通用層,即神經(jīng)網(wǎng)絡(luò)輸入,但在那之后,每個供應商都是獨一無二的。工具供應商有責任快速適應每個獨特的實現(xiàn)。他們需要提供快速生成記分牌的能力,以便以可見的方式跟蹤芯片內(nèi)的不同狀態(tài),并了解新的數(shù)據(jù)類型和新的操作類型。

我們可以在處理元素和語言的正式語言定義方面使用幫助,以便 EDA 工具可以使用架構(gòu)描述。我認為,這種基礎(chǔ)設(shè)施可以帶來很大的不同。

我們可能都能夠指定一些東西——我們只是不知道如何指定。

Saad Godil:我認為到目前為止,問題是不同的。從商業(yè)模式的角度來看,這是有道理的,按照一定的標準構(gòu)建工具,多個客戶可以攤銷。

當每個人都有自己的自定義專有規(guī)格時,問題就會變得更加困難。在等式的另一邊,您現(xiàn)在可以使用 AI 來幫助您解決問題。人工智能擅長感知,它可以查看圖片并找出不同的對象是什么,而無需知道這些對象的含義或它們是什么。或者它真的很擅長從句子中提取意義,即使它不理解。它不能很好地推理,但它善于感知。

也許答案是,考慮到您正在構(gòu)建的規(guī)范,您能否發(fā)現(xiàn)專有設(shè)計的屬性并弄清楚哪些是重要的,哪些不重要?這是一個非常難以解決的問題。這不是現(xiàn)成的解決方案可以工作的東西。從理論上講,可以構(gòu)建可以做這些事情的神經(jīng)網(wǎng)絡(luò)。

為了解決曲線擬合問題,這將屬于監(jiān)督學習范式,并且迄今為止在深度學習中已經(jīng)取得了成功。在無監(jiān)督學習方面已經(jīng)做了很多偉大的工作,我認為這將推動人工智能的下一輪革命。我認為我們的工具可以使用這些東西。有很多可用數(shù)據(jù)可用于處理信息。問題是,我要保存什么?我要向神經(jīng)網(wǎng)絡(luò)展示什么?我們應該考慮如何找到模式,并嘗試確定什么是重要的,什么是不重要的。

Rob Aitken:不過,我認為還有別的東西。當您查看該處理如何工作的實際實現(xiàn)時,如果您只是對一些隨機邊緣集和一些激活函數(shù)有可見性,并且您說,“這些數(shù)據(jù)出現(xiàn)在這里并且它被觸發(fā)了”,那么您并沒有真正知道這意味著什么或為什么,這是人工智能的一個好處。
這就是為什么這些東西有效,以及為什么我們不必對它們的每個方面都進行編程。這也是它們很難調(diào)試的原因。在這一點上,匹配輸出是最接近可證明性的東西。這個軟件版本和這個硬件版本做同樣的事情。我們知道他們做同樣的事情。因此,我們將假設(shè)它是正確的,但這種方法存在許多固有風險。

Raymond Nijssen:我認為我們正在討論一些重要的事情:監(jiān)督學習和無監(jiān)督學習之間的區(qū)別。同樣的道理,當機器學習在 20 年前開始時,人們擁有特定領(lǐng)域的知識,如果你想識別一只貓,你必須進行邊緣檢測。然后你必須在上面找到一些橢圓形和兩個三角形。這是一條規(guī)則,你可以走得很遠。他們碰到了玻璃天花板,直到他們提出了無監(jiān)督學習,基本上沒有規(guī)則來驅(qū)動系統(tǒng)。該系統(tǒng)必須通過提供大量這些流因素來工作。該工具得出的系數(shù)使得貓的尾巴被識別出來,而無需任何人指定規(guī)則是什么。

讓我們看看有規(guī)則的應用程序,并且您想將這些規(guī)則指定給系統(tǒng)。這絕對是一種很有希望的途徑。此外,它不如不依賴規(guī)則但依賴大量輸入的自學習系統(tǒng)智能。

在某些時候,您還必須區(qū)分現(xiàn)在的人工智能和自然智能。這兩者之間的真正區(qū)別是什么?

自然智能是插值和外推之間的區(qū)別。如果您閱讀杰夫·霍金斯 (Jeff Hawkins) 的《論智能》一書,就會思考智能的真正含義?;旧希鼘⑽覀兯腥嗣枋鰹橥馔埔?。

在我們的童年時期,我們知道如果你有事件 A,然后是事件 B,然后是事件 C,下次你有事件 A 和事件 B,你知道事件 C 會隨之而來。我們都是外推引擎,只要我們這樣做,我們的工作就是安全的。如果你的人工智能可能會以某種方式影響你的工作,或者你發(fā)現(xiàn)自己一直在插值,那么你應該專注于尋找可以改變你的工作以進行推斷的方法。

當您開始外推時,不再清楚它的工作有多完美,因為現(xiàn)在您沒有數(shù)據(jù),因為這里有一堆點的數(shù)據(jù)?,F(xiàn)在我們可能會對那邊的 x 軸方式產(chǎn)生影響,現(xiàn)在我們必須進行推斷,并且您沒有與之前的訓練數(shù)據(jù)相同的置信度。

對于設(shè)計驗證,風險在于有人可能會說自學系統(tǒng)可能會遺漏一些東西,或者訓練數(shù)據(jù)可能不夠好。然后這可能不會發(fā)生在規(guī)則驅(qū)動的系統(tǒng)中,規(guī)則提供了更高的可能性,即系統(tǒng)將在大量數(shù)據(jù)上發(fā)現(xiàn)與規(guī)則的偏差。這些區(qū)別很重要。

在這個迷你系列的第 3 部分和第 4 部分中,小組成員回答觀眾成員的問題。

審核編輯 黃昊宇

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 驗證工具
    +關(guān)注

    關(guān)注

    0

    文章

    11

    瀏覽量

    7563
  • 設(shè)計工具
    +關(guān)注

    關(guān)注

    0

    文章

    22

    瀏覽量

    9372
  • 人工智能芯片
    +關(guān)注

    關(guān)注

    1

    文章

    121

    瀏覽量

    29720
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點推薦

    華大九天物理驗證EDA工具Empyrean Argus助力芯片設(shè)計

    芯片設(shè)計的流片之路充滿挑戰(zhàn),物理驗證EDA工具無疑是這“最后一公里”關(guān)鍵且不可或缺的利器。它通過設(shè)計規(guī)則檢查、版圖與原理圖一致性驗證等關(guān)鍵流程,為IC設(shè)計契合制造需求
    的頭像 發(fā)表于 07-03 11:30 ?338次閱讀
    華大九天物理<b class='flag-5'>驗證</b>EDA<b class='flag-5'>工具</b>Empyrean Argus助力<b class='flag-5'>芯片</b>設(shè)計

    超大規(guī)模芯片驗證:基于AMD VP1902的S8-100原型驗證系統(tǒng)實測性能翻倍

    引言隨著AI、HPC及超大規(guī)模芯片設(shè)計需求呈指數(shù)級增長原型驗證平臺已成為芯片設(shè)計流程中驗證復雜架構(gòu)、縮短迭代周期的核心
    的頭像 發(fā)表于 06-06 13:13 ?428次閱讀
    超大規(guī)模<b class='flag-5'>芯片</b><b class='flag-5'>驗證</b>:基于AMD VP1902的S8-100原型<b class='flag-5'>驗證</b>系統(tǒng)實測性能翻倍

    新思科技VSO.ai如何顛覆芯片驗證

    隨著片上系統(tǒng)(SoC)復雜性不斷增加,IP的復雜性與驗證難度以及用于驗證的VIP的開發(fā)要求也日益提高。不斷發(fā)展的協(xié)議標準要求為IP和VIP提供動態(tài)測試套件,并滿足規(guī)定的功能和代碼覆蓋率指標。
    的頭像 發(fā)表于 05-21 14:49 ?375次閱讀
    新思科技VSO.<b class='flag-5'>ai</b>如何顛覆<b class='flag-5'>芯片</b><b class='flag-5'>驗證</b>

    硬件輔助驗證(HAV) 對軟件驗證的價值

    生態(tài)系統(tǒng)和定制指令集開發(fā)的唯一途徑。 當下,芯片企業(yè)正在設(shè)計 RISC-V 人工智能 (AI) 與機器學習 (ML) 定制加速器,實現(xiàn)特定工作負載的加速處理,這些企業(yè)創(chuàng)建的架構(gòu)由軟
    的頭像 發(fā)表于 05-13 18:21 ?795次閱讀

    意法半導體邊緣AI套件中提供的全部工具

    意法半導體邊緣AI套件(ST Edge AI Suite)是一套專為邊緣AI開發(fā)設(shè)計的集成化工具集合,覆蓋從數(shù)據(jù)采集、模型優(yōu)化到硬件部署的全流程。以下是該套件
    的頭像 發(fā)表于 04-21 17:46 ?639次閱讀

    芯華章AI+EDA重塑芯片驗證效率

    近日,作為國內(nèi)領(lǐng)先的系統(tǒng)級驗證EDA解決方案提供商,芯華章分別攜手飛騰信息技術(shù)、中興微電子在IC設(shè)計驗證領(lǐng)域最具影響力的會議DVCon China進行聯(lián)合演講,針對各個場景下驗證中的“
    的頭像 發(fā)表于 04-18 14:07 ?697次閱讀
    芯華章<b class='flag-5'>以</b><b class='flag-5'>AI</b>+EDA重塑<b class='flag-5'>芯片</b><b class='flag-5'>驗證</b>效率

    首創(chuàng)開源架構(gòu),天璣AI開發(fā)套件讓端側(cè)AI模型接入得心應手

    套件2.0,打造了一整套圍繞AI開發(fā)效率與落地路徑展開的“系統(tǒng)性解法”,為開發(fā)者提供AI應用開發(fā)工具全家桶。同時,全新升級的旗艦5G智能體AI
    發(fā)表于 04-13 19:52

    **【技術(shù)干貨】Nordic nRF54系列芯片:傳感器數(shù)據(jù)采集與AI機器學習的完美結(jié)合**

    應用案例有哪些? 答:nRF54系列已被應用于知名鼠標、鍵盤、VR設(shè)備、醫(yī)療產(chǎn)品等領(lǐng)域,性能與可靠性得到驗證! 總結(jié): nRF54系列芯片憑借其低功耗、高性能、豐富的開發(fā)工具和廣泛的應用場景,成為
    發(fā)表于 04-01 00:00

    AI Agent 應用與項目實戰(zhàn)》----- 學習如何開發(fā)視頻應用

    開發(fā)一個視頻內(nèi)容生成Agent。 訪問語聚AI平臺官網(wǎng) ,進行注冊或登錄。 在平臺首頁,了解語聚AI的功能和應用場景,特別是其支持的視頻生成相關(guān)的AI模型和工具。 在語聚
    發(fā)表于 03-05 19:52

    用Reality AI Tools創(chuàng)建模型

    在第二步采集到的數(shù)據(jù)基礎(chǔ)之上,用Reality AI Tools創(chuàng)建模型。
    的頭像 發(fā)表于 01-22 14:23 ?2239次閱讀
    用Reality <b class='flag-5'>AI</b> Tools<b class='flag-5'>創(chuàng)建</b>模型

    英諾達發(fā)布全新靜態(tài)驗證產(chǎn)品,提升芯片設(shè)計效率

    英諾達(成都)電子科技有限公司近日正式推出了兩款全新的靜態(tài)驗證EDA工具——EnAltius?CDC跨域檢查工具和Lint RTL代碼檢查工具。這兩款產(chǎn)品的發(fā)布,標志著英諾達在
    的頭像 發(fā)表于 12-24 16:53 ?758次閱讀

    數(shù)據(jù)驅(qū)動AI工具在哪

    數(shù)據(jù)驅(qū)動AI工具并不遙遠,它們就存在于我們的日常生活中,只是我們可能沒有意識到。這些工具通常被嵌入到各種應用程序、軟件和服務中,為我們提供便利。接下來,
    的頭像 發(fā)表于 12-09 10:52 ?450次閱讀

    NVIDIA AI助力初創(chuàng)企業(yè)為心理治療師提供AI工具

    NVIDIA AI 助力初創(chuàng)企業(yè)為心理治療師提供 AI 工具,以此來優(yōu)化和提升心理健康服務水平,為人們的心理健康保駕護航。
    的頭像 發(fā)表于 11-19 16:03 ?559次閱讀

    小鵬AI科技日:圖靈AI芯片40天完成2791項驗證

    在11月6日的小鵬AI科技日上,小鵬汽車董事長兼CEO何小鵬公布了小鵬圖靈AI芯片的最新進展。據(jù)悉,這款芯片已在今年10月成功運行了最新版本的智能駕駛功能,且在短短40天內(nèi)完成了多達2
    的頭像 發(fā)表于 11-06 17:08 ?1367次閱讀

    微軟Copilot Studio將支持企業(yè)創(chuàng)建自主AI代理

    ,目前已有60%的美國財富500強企業(yè)正在使用其Copilot工具。隨著自主AI代理的推出,這些企業(yè)將迎來更加靈活和高效的業(yè)務轉(zhuǎn)型機遇。這些代理能夠基于企業(yè)自身的記錄和數(shù)據(jù)進行訓練,從而提供更加精準和個性化的支持。 自主
    的頭像 發(fā)表于 10-23 11:44 ?638次閱讀
    主站蜘蛛池模板: 三台县| 剑河县| 增城市| 西乌珠穆沁旗| 大方县| 淮北市| 景宁| 灯塔市| 陕西省| 常熟市| 冕宁县| 繁昌县| 长汀县| 康定县| 溧水县| 邵阳县| 揭阳市| 济源市| 永善县| 奉化市| 武义县| 二连浩特市| 丰原市| 文安县| 藁城市| 静乐县| 龙海市| 洛阳市| 邓州市| 德清县| 屏边| 西乌| 建水县| 武鸣县| 汪清县| 张北县| 南皮县| 巴南区| 吴江市| 玉溪市| 恭城|