Чем интересуется в микроэлектронике западная и азиатская молодежь (инфо не из интернета)07.09.2022 12:32

Это лично я сфотографировал, как пылко молодежь обсуждает постеры в посте нижеЭто лично я сфотографировал, как пылко молодежь обсуждает постеры в посте ниже

Design Automation Conference (DAC) — главная выставка сотверных компаний, которые создают средства проектирования чипов. Именно на ней появляются стартапы, которые определяют проектирование через 10–15 лет (например появление Synopsys на рубеже 1980–1990-х привело к появлению iPhone в середине 2000-х).

На DAC помимо выставки и официальных докладов есть также и poster session — молодые исследователи из университетов вывешивают в виде плакатов, чем они занимаются. Я методически сфотографировал все постеры во время последней конференции DAC в Сан-Франциско, и вот перед вами картина маслом:

6 постеров по новой модной теме «Приблизительного компьютинга» («Approximate Computing»), когда вычислениям разрешается быть неточными (например в нейросетке) если это экономит энергопотребление или делается быстрее.

Более 30 постеров так или иначе трогают тему нейросетей:

16 постеров по аппаратному ускорению нейросетей. Из них:

  • два по теме ReRAM,

  • два по нейроморфным процессорам,

  • один по тематике CGRA (Coarse Grained Reconfigurable Array — это такая матрица из недопроцессоров, по аналогии с FPGA, но ячейки соединяются не сигналами, а шинами, и в каждой ячейке есть сиквенсер, типа маленькая программа),

  • один толерантный к глюкам от прилетевшего из космоса луча.

2 постера — по оптическим нейросетям.

3 постера — о нейросетях вообще (без контекста архитектуры ускорителя).

2 постера — о вычислениях в памяти (in memory computing). Не разобрался, что это такое, но это тоже привязывается к нейросетям.

7 постеров — о приложениях нейросетей, в том числе для дронов, сейсморазведки, сбора энергии (energy harvesting — это еще что такое?) и здравоохранения.

2 постера — все о тех же нейросетях, но на краю, то бишь во встроенных устройствах (Edge AI).

10 постеров про кибербезопасность, в том числе:

  • про защиту IP блоков,

  • про аппаратные трояны в микросхемах и платах (а в России говорят «закладок не бывает!»),

  • side-channel attacks (это было на Хабре) и физические атаки (не понял что это такое)

  • «аппаратный иммунитет»

  • нахождение уязвимостей

6 постеров на почтенную тематику физического проектирования, хотя пару раз нейросети влазят и туда:

  • Постер про энергопотребление

  • Про проектирование смешанных аналогово-цифровых схем

  • Про глобальную трассировку (routing) цифровых схем

  • Про размещение и трассировку цифро-аналоговых преобразователей

  • 2 постера про использование машинного обучения в физическом проектировании

Дальше всего понемножку:

  • 3 постера про высокопроизводительные вычисления (High Performance Computing — HPC)

  • 2 постера про датацентры

  • 1 постер про аппаратный ускоритель, но без слова «нейросеть»

  • 2 постера про моделирование систем на кристалле — System-on-Chip — SoC

  • 1 постер про сети на кристалле

  • 1 постер про сопряжение с биосигналами

  • 2 постера привязаны к архитектуре RISC-V — это умеренно модно, не так как нейросети и трояны

  • 1 постер про проектирование RISC-ядер (не обязательно с архитектурой RISC-V) как комбинацию из конечных автоматов для стадий конвейера (ну, можно рассматривать и так, хотя это неканоническое изложение)

  • 2 постера про вечно молодую тематику высокоуровневого синтеза, который уже 30 лет грозиться вытеснить обычный за 5 лет

  • 4 постера про совсем низкий уровень — катушки, проходы в микросхемах, устройства статической памяти и сенсоры

  • 2 постера про будущее всего человечества — квантовый компьютинг

  • Постер про панель дисплея

  • Постер про сравнение процессоров в Бразилии

  • Постер про формальную верификацию, в котором упоминается Coq, Haskell, SystemVerilog и контроллеры DRAM памяти

  • Ну и кто-то еще одну сортировку на FPGA написал — такое на таких конференциях бывает

Все постеры:

03. Approximate Computing — Compilers for HPC

04. Approximate Computing — Power-efficient multipliers

05. Approximate Computing — Logic Synthesis

06. Approximate Computing — DNN

07. Approximate Computing — DNN

08. Approximate Computing — DNN

29457f355374f41ac1528fb88f9f9ed7.png

09. Neural Networks — Hardware Accelerators

10. Neural Networks — Hardware Accelerators

11. Neural Networks — Hardware Accelerators

12. Neural Networks — Hardware Accelerators

13. Neural Networks — Hardware Accelerators

14. Neural Networks — Hardware Accelerators

15. Neural Networks — Hardware Accelerators

16. Neural Networks — Hardware Accelerators

17. Neural Networks — Hardware Accelerators

18. Neural Networks — Hardware Accelerators

250fd622982ac3522a9dda0ea3a01fd3.pngc022d0f8e69da1196b1c4fc6f01173b6.png

19. Neural Networks — Hardware Accelerators — ReRAM

20. Neural Networks — Hardware Accelerators — ReRAM

21. Neural Networks — Hardware Accelerators — Neuromorphic

22. Neural Networks — Hardware Accelerators — Neuromorphic

23. Neural Networks — Hardware Accelerators — CGRA

24. Neural Networks — Hardware Accelerators — Fault-tolerant

7a15422393d6466f6d93501870c59ad3.png

25. Neural Networks — Optical

26. Neural Networks — Optical

9f8a266b04899c8f39657a61dd7e5c24.png

27. Neural Networks — General — Train only on important samples

28. Neural Networks — General — NVidia-based

29. Neural Networks — General — Spiking

4fdd7d66f36beaae9da5be287a05c842.png

30. Neural Networks — In-memory computing

31. Neural Networks — In-memory computing

d9b936105481bc0981aa7d2ead539612.png

32. Neural Networks — Applications — Deploying NN on drones

33. Neural Networks — Applications — To predict energy management in wearable devices

34. Neural Networks — Applications — For seismic computations

35. Neural Networks — Applications — For energy harvesting

36. Neural Networks — Applications — For energy harvesting

37. Neural Networks — Applications — Healthcare

38. Neural Networks — Applications — Healthcare

41e73e5afb93a55d4401c043fc318240.pngc3c2c935899a48ea421f0c26444e24b1.png

39. Neural Networks — Edge AI — MCU

40. Neural Networks — Edge AI — MCU

cb23219b351cf1b6c32199f1f8fee80f.png

41. Security — IP protection

43. Security — IP protection

44. Security — IP protection

47. Security — Hardware trojans in PCB

48. Security — Side-channel attacks

51. Security — Hardware Immune System

1d04d4dca37bf1e0f57f6fd5a1345d6d.png

45. Security — Hardware trojans in ASIC

46. Security — Hardware trojans in ASIC

089c81fa962e8a905b755d7c0f4307d3.png

42. Security — IP protection

617b97f7b650946744e7f07e0d64249f.png

49. Security — Physical attacks

92fe2050424914170d826a59cc0ce1eb.png

50. Security — Exploits

794b6da36d026727eb71af21cc98e83e.png

52. High-performance computing — Power and thermal management emulation

53. High-performance computing — Reconfigurable smart switches

54. High-performance computing — Combined with ML

3aa4db6e2aaabda1982547b7d62e6373.png

55. Datacenters

56. Datacenters

ca5a4eaa39c1c0fbc52b710382d7debf.png

57. Hardware accelerators — ASIC

d5ebbfd9ad74be9d8f0c2768cbe5a489.png

58. System-level design — Simulation

59. System-level design — Simulation

60. System-level design — Biosignal processing

ebd336d72a40ef1f5ceca00c0252788f.png

61. Network-on-chip — NoC

cc5747726cda288b84bfb1d10b76fcce.png

62. RISC-V — Multicore

63. RISC-V — Return-Oriented-Programing attacks

64. RISC-V — Representing a generic RISC microarchitecture as multiple state machines

aaf800e3b4c98441c8b217e530781ce1.png

65. High-level synthesis

66. High-level synthesis

9e57eb7348adb5f91263b6883dd78e23.png

68. Physical Design — Power

bb67cd6d680a1c367316691a9e6e72a3.png

69. Physical Design — Mixed signal

df675980f4011b95295446a9b968dd0d.png

67. Physical Design — Global routing

70. Physical Design — ML-assisted design

71. Physical Design — ML-assisted design

72. Physical Design — PnR for digital-to-analog converters

aae7b86f61819ae20434cb0ad76b5774.png

73. IC components on low level — Inductor design

74. IC components on low level — Via utilization

75. IC components on low level — SRAM structure

76. IC components on low level — Sensors for IoT

db4841fc7f07bc0a94f12aae06ff3a87.png

77. Quantum Computing

78. Quantum Computing

4df81a9503adbd5b806ba5c853e6c908.png

79. Misc — Display panel development

80. Misc — CPU benchmarking

81. Misc — Formal verification — Coq DRAM controllers Haskell SystemVerilog

82. Misc — Serial sorter on FPGA

6469e996647c86273c0313ba22928637.png

Если вы хотите почитать еще про DAC, я написал и другие отчеты, в частности:

Выставка в Лас-Вегасе — для разработчиков электроники, а не ее потребителей. A report from Design Automation Conference

Оруженосцы микроэлектроники. Видеорепортаж с конференции по проектированию электроники в Сан-Франциско

335681cbc0e6c5f61610d4a5711bbdfa.jpg

© Habrahabr.ru