今天,亚马逊云服务(AWS)宣布,半导体设计和知识产权开发与许可的全球领先企业Arm将把AWS云服务应用到包括其绝大部分电子设计自动化(EDA)的工作负载。Arm将利用基于AWS Graviton2处理器的实例(由Arm Neoverse核心提供支持),将EDA工作负载迁移到AWS,引领半导体行业的转型之路。
传统上,半导体行业使用本地数据中心完成半导体设计验证这样的计算密集型任务。为了更有效地执行验证,Arm使用云计算仿真现实世界的计算场景,并利用AWS几乎无限的存储空间和高性能计算基础架构,扩展其可以并行运行的仿真数量。自从开始向AWS云迁移以来,Arm已将AWS上EDA工作流的响应速度提高了6倍。此外,通过在AWS上运行遥测(从远程源收集和集成数据)并进行分析,Arm产生了更强大的工程、业务和运营洞察力,有助于提高工作流程效率,优化整个公司的成本和资源。在完成向AWS迁移后,Arm最终计划将全球数据中心面积至少压缩45%,将本地计算工作负载减少80%。
高度专业化的半导体设备为我们工作、生活中的一切提供着日益强大的动力,从智能手机到数据中心基础设施,从医疗设备到自动驾驶汽车。每个芯片可以包含数十亿个晶体管,这些晶体管的设计水平可以降低到几纳米的水平(比人的头发细约10万倍),可以在最小的空间内实现最佳性能。EDA是使这种极端工程可行的关键技术之一。EDA工作流程非常复杂,包括前端设计、仿真与验证,以及越来越大的后端工作负载(时序和功耗分析、设计规则检查以及其它芯片投入生产准备的应用程序)。传统上,这些高度迭代的工作流程需要花费数月甚至数年才能生产出新设备(例如一个芯片系统),需要大量的计算能力。在本地运行这些工作负载的半导体公司必须不断平衡成本、进度和数据中心资源,才能同时推进多个项目,因此可能会面临计算能力不足的问题,拖慢进度或承担维护空闲算力的成本。
通过将EDA工作负载迁移到AWS,Arm克服了传统的托管EDA工作流程的束缚,通过大规模扩展的算力获得了弹性,使其能够并行运行仿真、简化遥测和分析,减少半导体设计的迭代时间,增加测试周期却不会影响交付进度。Arm利用多种专用的Amazon EC2实例类型优化EDA工作流程,减少了成本和时间。例如,该公司使用基于AWS Graviton2的实例,实现了高性能和可伸缩性,与运行成千上万台本地服务器相比,可实现更具成本效益的运营。Arm使用了AWS Compute Optimizer服务,利用机器学习为特定工作负载推荐最佳的Amazon EC2实例类型,简化了工作流程。
除了成本优势外,Arm还利用AWS Graviton2实例的高性能,提高工程型工作负载的吞吐量,与上一代基于x86处理器的M5实例相比,每美元的吞吐量始终能提高40%以上。此外,Arm使用AWS合作伙伴Databricks的服务,在云中开发和运行机器学习应用程序,通过在Amazon EC2上运行的Databricks平台,Arm可以处理工程工作流中各个步骤的数据,为公司的硬件和软件团队生成可行的见解,在工程效率上实现可观的改进。
Arm IPG总裁Rene Haas表示:“通过与AWS合作,我们专注于提高效率和最大化吞吐量,为工程师节省了宝贵的时间,以便他们专注于创新。现在,我们可以运行基于AWS Graviton2处理器(由Arm Neoverse支持)的Amazon EC2实例,优化工程的工作流程,降低成本,加快项目进度,比以往更快、更经济地向客户提供强大的成果。 ”
AWS全球基础架构和客户支持高级副总裁Peter DeSantis表示:“ AWS提供了真正弹性的高性能计算、卓越的网络性能,以及可扩展的存储,是下一代EDA工作负载之所需。因此,我们很高兴与Arm协作,运用我们基于Arm的、高性能的Graviton2处理器,为对性能要求极其苛刻的EDA工作负载提供动力。与当前基于x86的实例相比,Graviton2处理器可提供高达40%的性价比优势。”
好文章,需要你的鼓励
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
加拿大女王大学研究团队首次对开源AI生态系统进行端到端许可证合规审计,发现35.5%的AI模型在集成到应用时存在许可证违规。他们开发的LicenseRec系统能自动检测冲突并修复86.4%的违规问题,揭示了AI供应链中系统性的"许可证漂移"现象及其法律风险。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
这项由剑桥大学、清华大学和伊利诺伊大学合作的研究首次将扩散大语言模型引入语音识别领域,开发出Whisper-LLaDA系统。该系统具备双向理解能力,能够同时考虑语音的前后文信息,在LibriSpeech数据集上实现了12.3%的错误率相对改进,同时在大多数配置下提供了更快的推理速度,为语音识别技术开辟了新的发展方向。