محققان IISc در حال توسعه یک چارچوب طراحی برای ساخت نسل بعدی چیپست های کامپیوتری آنالوگ هستند

محققان مؤسسه علوم هند (IISc) یک چارچوب طراحی برای ساخت نسل بعدی چیپ‌ست‌های محاسباتی آنالوگ ایجاد کرده‌اند که می‌تواند سریع‌تر و به انرژی کمتری نسبت به تراشه‌های دیجیتال موجود در اکثر دستگاه‌های الکترونیکی نیاز داشته باشد.

IISc مستقر در بنگلور روز سه شنبه در بیانیه ای اعلام کرد که تیم با استفاده از چارچوب طراحی جدید خود، یک نمونه اولیه چیپست آنالوگ به نام ARYABHAT-1 (فناوری قابل پیکربندی مجدد آنالوگ و سخت افزار مقیاس پذیر برای وظایف هوش مصنوعی) ساخته است.

در این بیانیه آمده است: «این نوع چیپ‌ست می‌تواند به ویژه برای برنامه‌های مبتنی بر هوش مصنوعی (AI) مانند تشخیص اشیا یا گفتار – فکر کنید الکسا یا سیری – یا آن‌هایی که به عملیات محاسباتی موازی با سرعت بالا نیاز دارند، مفید باشد.

اکثر دستگاه‌های الکترونیکی، به‌ویژه آن‌هایی که شامل محاسبات هستند، از تراشه‌های دیجیتال استفاده می‌کنند، زیرا فرآیند طراحی ساده و مقیاس‌پذیر است.

اما مزیت آنالوگ بسیار زیاد است. چتان سینگ تاکور، استادیار دپارتمان مهندسی سیستم‌های الکترونیکی (DESE)، IISc، که آزمایشگاه او تلاش توسعه چیپ‌ست آنالوگ را رهبری می‌کرد، توضیح می‌دهد که شما مرتبه‌ای از بهبود قدرت و اندازه دریافت می‌کنید.

در کاربردهایی که به محاسبات دقیق نیاز ندارند، محاسبات آنالوگ این پتانسیل را دارند که از محاسبات دیجیتالی بهتر عمل کنند، زیرا محاسبات اولی در مصرف انرژی کارآمدتر هستند.

با این حال، در هنگام طراحی تراشه های آنالوگ، چندین مانع فن آوری وجود دارد که باید بر آنها غلبه کرد. بر خلاف تراشه های دیجیتال، آزمایش و طراحی مشترک پردازنده های آنالوگ دشوار است. پردازنده های دیجیتال در مقیاس بزرگ را می توان به راحتی با کامپایل کدهای سطح بالا ترکیب کرد و همان طراحی را می توان به نسل های مختلف توسعه فناوری – مثلا از یک چیپست 7 نانومتری تا یک چیپ ست 3 نانومتری – با حداقل تغییرات منتقل کرد. گفت.

از آنجایی که تراشه‌های آنالوگ به راحتی مقیاس نمی‌شوند، هنگام انتقال به فناوری نسل بعدی یا برنامه‌های کاربردی جدید، باید به صورت جداگانه شخصی‌سازی شوند – طراحی آنها گران است.

او می افزاید: چالش دیگر این است که معامله با دقت و سرعت برای قدرت و مساحت آسان نیست، وقتی صحبت از طراحی آنالوگ می شود.

در این بیانیه اشاره شده است که در طراحی دیجیتال، به سادگی افزودن اجزای بیشتر مانند واحدهای منطقی به یک تراشه می‌تواند دقت را افزایش دهد و قدرتی که در آن کار می‌کنند را می‌توان بدون تأثیر بر عملکرد دستگاه تنظیم کرد.

برای غلبه بر این چالش‌ها، تیم چارچوب جدیدی طراحی کرد که امکان توسعه پردازنده‌های آنالوگ را فراهم می‌آورد که دقیقاً مانند پردازنده‌های دیجیتال مقیاس شوند. او گفت که چیپست آن را می توان دوباره پیکربندی و برنامه ریزی کرد تا ماژول های آنالوگ یکسان را بتوان به نسل های مختلف طراحی فرآیند و برنامه های مختلف منتقل کرد.

تاکور گفت: «می‌توانید همان نوع تراشه را در 180 نانومتر یا 7 نانومتر سنتز کنید، درست مانند طراحی دیجیتال.

به گفته محققان، معماری‌های مختلف یادگیری ماشین را می‌توان بر روی ARYABHAT برنامه‌ریزی کرد و مانند پردازنده‌های دیجیتال، می‌توانند در طیف وسیعی از دماها به طور پایدار عمل کنند. آنها اضافه کردند که این معماری همچنین “بایاس مقیاس پذیر” است – عملکرد آن زمانی که شرایط عملیاتی مانند ولتاژ یا جریان تغییر می کند یکسان باقی می ماند. این بدان معنی است که همان چیپست را می توان برای برنامه های کاربردی اینترنت اشیا (IoT) با انرژی فوق العاده کارآمد یا کارهای پرسرعت مانند تشخیص اشیا پیکربندی کرد.

چارچوب طراحی به عنوان بخشی از کار دکترا پراتیک کومار، دانشجوی IISc و با همکاری شانتانو چاکرابارتی، استاد دانشکده مهندسی مک‌کلوی، دانشگاه واشنگتن در سنت لوئیس (واش‌و)، ایالات متحده، که همچنین به عنوان سفیر برای آکادمی مک دانل در WashU IISc.

چاکرابارتی که قبلاً مدارهای آنالوگ بایاس مقیاس پذیر را پیشنهاد کرده بود، گفت: «خوب است که تئوری محاسبات آنالوگ بایاس مقیاس پذیر را در واقعیت و برای کاربردهای عملی آشکار کنیم.

محققان یافته‌های خود را در دو مطالعه پیش‌چاپ که در حال حاضر تحت بررسی همتایان هستند، تشریح کردند. در بیانیه آمده است که آنها همچنین حق ثبت اختراع را ثبت کرده اند و قصد دارند با شرکای صنعتی برای تجاری سازی این فناوری همکاری کنند.