Bild 1: Dr. Ravi Subramanian, VP und GM IC Verification & Validation bei Mentor: „ML und KI verändern die Methodik beim Chipdesign grundlegend“. (Bild: Nicole Ahner)
„Heute verfügen smarte Systeme über eine Menge an Rechenleistung und Software, wie wir es in der Geschichte der Elektronik noch nie gesehen haben“, sagt Dr. Ravi Subramanian, Vizepräsident und General Manager IC Verification & Validation bei Mentor, a Siemens Business, in seiner Keynote auf der User2User-Conference 2019 in München.
Bild 1: Dr. Ravi Subramanian, VP und GM IC Verification & Validation bei Mentor: „ML und KI verändern die Methodik beim Chipdesign grundlegend“. Nicole Ahner
Damit entstehen nicht nur immer wieder neue Anwendungen, sondern ganz neue Industriezweige. Dieser Wandel hat vier Dimensionen: Networking, Computing & Storage, Kommunikation und Transportation. Dabei haben künstliche Intelligenz und maschinelles Lernen grundlegende Auswirkungen auf das Chipdesign. „Heute bauen wir nicht mehr Engines, die Daten verarbeiten, sondern wir bauen Programme, die lernen. Und das führt wirklich zu domänenspezifischem Computing als neue Grundlage im Halbleiterdesign und treibt die Veränderungen bei EDA“, so Subramanian.
Die weltweiten Ausgaben für Forschung und Entwicklung haben ein historisches Hoch erreicht, ganz vorn dabei sind Unternehmen wie Amazon, Alphabet, Volkswagen, Samsung, Apple, Roche und Daimler. Nach Marktsegmenten betrachtet geschehen nur sechs Prozent der R&D-Investitionen durch die Halbleiterhersteller selbst. 28 Prozent der Investitionen kommen von FANG (Facebook, Amazon, Netflix, Google), 26 Prozent aus der Automobilbranche und 25 Prozent aus dem Medizinsektor. Viele der hier genannten Unternehmen kaufen ihre Chips nicht mehr zu, sondern entwickeln sie selbst, so zum Beispiel Google oder Tesla.
Bild 2: Nur sechs Prozent der R&D-Investitionen kommen von den Halbleiterherstellern. FANG (Facebook, Amazon, Netflix, Google), Auto- und Medizinbranche sind hier federführend und entwickeln eigene Chips. Mentor
Der Wandel des Computing
Im traditionellen Computing ging es darum, aus Daten und Programm einen Output zu erhalten. Aufgrund des Voranschreitens maschinellen Lernens lernt die Engine aus verfügbaren Daten und Outputs und erstellt ein Programm, das wieder neuen Input erstellt – es lernt und entwickelt aus dem „Trainingsprogramm“ ein Folgeprogramm. Die Industrie geht also von der reinen Berechnung von Zahlen hin zu Programmen, die selbst Programme schreiben.
Bild 3: Die Herangehensweise beim Computing ändert sich durch maschinelles Lernen. Heute lernt die Engine aus verfügbaren Daten und entwickelt anstatt eines klassichen Outputs selbst das nächste Programm. Mentor
„Dies ist gleichbedeutend mit einem tektonischen Wandel im Computing, denn es ändert sich die Vorgehensweise zum Entwurf von Computern damit grundsätzlich“, sagt Subramanian. Das Rennen, maschinell lernende Computer zu bauen hat begonnen und damit auch die Ära der anwendungsspezifischen Schaltkreise – weg von CPU und GPU, hin zum ASIC. Auch wenn die Halbleiterindustrie in 2019 langsamer wächst, was Subramanian vor allem mit dem Rückgang der Speicherpreise in Zusammenhang bringt, sieht er eine sehr starke Zukunft für die Branche, solange diese erkennt, wie wichtig es ist, auf die Möglichkeiten maschinellen Lernens und künstlicher Intelligenz rechtzeitig zu reagieren.
(na)
