ACDRC Artificial Intelligence on Chip Workshop

Dr. Allen Cheng (Light Momentum Technology Corp., Taiwan)

Praktické aplikace umělé inteligence a přizpůsobených čipů v scénářích edge computingu

Tato přednáška se zabývá reálným nasazením umělé inteligence v edge computingu a zaměřuje se na to, jak přizpůsobená polovodičová řešení – od akcelerátorů AI po doménově specifické SoC – umožňují dosáhnout nové úrovně výkonu a energetické účinnosti.

Assoc. Prof. Andy Yu-Guang Chen (National Central University)

AI řízené včasné směrování, predikce DRC a přiřazování pinů s ohledem na přetížení pro rychlejší uzavření fyzického návrhu

Moderní návrh integrovaných obvodů (IC) čelí rostoucím výzvám v podobě zvyšující se složitosti rozvržení, přísných pravidel návrhu a stále náročnějších harmonogramů. Přetížení trasování a porušení pravidel návrhu (DRV) zjištěná v pozdní fázi procesu často vedou k nákladným a časově náročným iteracím.

Tato přednáška představuje nejnovější pokroky v aplikaci strojového učení v rané fázi fyzického návrhu. Pro předpovídání požadavků na trasování a podrobných map DRV na úrovni trasování z raných dat o umístění a globálním trasování jsou představeny rámce založené na souhrnném učení a CNN, které umožňují přesnou detekci přetížení a porušení za zlomek tradiční doby běhu. Přednáška také představuje COPA, metodu přiřazování pinů orientovanou na přetížení, která optimalizuje umístění průchozích pinů, aby zmírnila úzká místa v rámci bloků bez zvýšení délky vodičů. Společně tyto datově řízené techniky fungují jako lehké doplňky ke stávajícím návrhovým procesům, čímž snižují počet iterací návrhu a urychlují jeho dokončení.

Dr. G. R. Chen (Light Momentum Technology Corp.)

Urychlení budoucnosti: Zakázkové křemíkové čipy pro pracovní zatížení umělé inteligence

S rozšiřováním umělé inteligence do různých oblastí – od cloud computingu po mobilní rozšířenou realitu – roste i poptávka po přizpůsobených polovodičových řešeních. Tato přednáška se zabývá architektonickými základy a strategiemi návrhu čipů specifických pro umělou inteligenci, přičemž klade důraz na to, jak charakteristiky neuronových sítí, jako je řídkost, škálování přesnosti a datový tok, ovlivňují hardwarové implementace.

Zabývá se paradigmaty akcelerátorů pro pracovní zatížení CNN a transformátorů a diskutuje optimalizační techniky, včetně kvantizace, prořezávání a výpočtů se smíšenou přesností. Případová studie zdůrazňuje praktické přístupy k návrhu AI SoC se zaměřením na výpočetní účinnost a architekturu zohledňující pracovní zatížení. Přednáška také zkoumá trendy, jako je 3D integrace, generování hardwaru s podporou AI a design zaměřený na udržitelnost.

Prof. Radim Burget (VUT Brno)

Společné řešení problémů pomocí velkých jazykových modelů

Tato přednáška se zabývá přechodem od monolitických, neprůhledných modelů umělé inteligence k vysvětlitelným a vědecky robustním systémům umělé inteligence, se zaměřením na architektury velkých jazykových modelů (LLM) s více agenty. Zdůrazňuje, jak distribuce uvažování, ověřování a hodnocení důkazů mezi spolupracujícími agenty může umožnit transparentnější a reprodukovatelnější závěry.

Přednáška stručně pojednává o dopadech na hardware, včetně zvýšených požadavků na paměť, paralelismus a komunikaci mezi agenty, a zdůrazňuje úzkou provázanost mezi vysvětlitelnou multiagentní AI a moderními výpočetními architekturami.

Ing. Jan Remeš (Mycroft Mind, Ltd., Brno)

Polovodiče na okraji sítě: Případové studie v oblasti předpovědí fotovoltaické energie a inteligentních měřičů

Tato přednáška se zabývá praktickým nasazením vestavěné umělé inteligence v energetickém sektoru a ukazuje, jak Mycroft Mind překlenuje propast mezi pokročilými algoritmy a hardwarem s omezenými zdroji v rámci IPCEI ME/CT.

Na příkladu případové studie „SkyEye“ přednáška demonstruje vysoce přesné předpovědi výroby fotovoltaické energie pomocí snímání oblohy a hardwarově akcelerovaných modelů ConvLSTM pro zpracování v reálném čase. Představuje také řešení „Consumption Predictor“ pro inteligentní měřiče spotřeby, přičemž zdůrazňuje, že efektivní AI přesahuje rámec LLM díky využití inkrementálního učení a optimalizovaných matematických modelů, které fungují v rámci přísných limitů paměti a výkonu průmyslových polovodičů.