Verlagerung von EDA-Workloads in die AWS-Cloud, um Arm-Designs um das Zehnfache zu beschleunigen

Laut Amazon Web Services (AWS) plant Arm, den Großteil seiner Electronic Design Automation (EDA)-Workloads in die Cloud zu verlagern, wodurch der Durchsatz für das Halbleiterdesign und die Verifizierung um das bis zu 10-fache gesteigert werden kann.

Konstrukteure haben sich von Natur aus zu Cloud-Plattformen hingezogen, und das noch mehr, seit der rasante Wandel im Jahr 2020 aufgrund der weltweiten Covod-19-Beschränkungen zum Online-Arbeiten beschleunigt wurde. Sowohl AWS als auch Microsoft haben eine beträchtliche Größe und es gibt auch Dienste wie Intels DevCloud.

Die Tatsache, dass Arm EDA-Workloads zu AWS migriert, ist also ein großer Schritt und macht es für Konstrukteure erheblich einfacher, Arm-Prozessoren für ihre Produktentwicklung zu verwenden. Arm plant schließlich, seinen globalen Rechenzentrums-Fußabdruck um mindestens 45 % und seinen lokalen Computing-Bereich um 80 % zu reduzieren, wenn die Migration zu AWS abgeschlossen ist.

Die Plattform nutzt AWS Graviton2-basierte Instances (angetrieben von Arm Neoverse-Kernen) und wird voraussichtlich einen Großteil der Halbleiterindustrie verändern, die traditionell lokale Rechenzentren für die rechenintensive Arbeit der Verifizierung von Halbleiterdesigns verwendet.

Um die Verifizierung effizienter durchzuführen, wird Arm die Cloud verwenden, um Simulationen von realen Rechenszenarien durchzuführen, und dabei den praktisch unbegrenzten Speicher und die Hochleistungs-Computing-Infrastruktur von AWS nutzen, um die Anzahl der Simulationen zu skalieren, die parallel ausgeführt werden können. Seit Beginn der AWS-Cloud-Migration hat Arm eine sechsfache Verbesserung der Leistungszeit für EDA-Workflows auf AWS erzielt. Darüber hinaus generiert Arm durch die Durchführung der Telemetriedatenanalyse auf AWS leistungsfähigere technische, geschäftliche und betriebliche Erkenntnisse, die dazu beitragen, die Effizienz von Arbeitsabläufen zu steigern und Kosten und Ressourcen im gesamten Unternehmen zu optimieren.

Hochspezialisierte Halbleiter treiben heute offensichtlich fast alles im modernen Leben an, vom Smartphone bis zur Rechenzentrumsinfrastruktur und arbeiten an Zukunftstechnologien wie selbstfahrenden Fahrzeugen. Da jeder Chip Milliarden von Transistoren enthält, die bis in den einstelligen Nanometerbereich (ungefähr 100.000x kleiner als die Breite eines menschlichen Haares) entwickelt wurden, besteht das Ziel darin, maximale Leistung auf kleinstem Raum zu erzielen.

EDA ist eine der Schlüsseltechnologien, die solch extremes Engineering möglich macht. EDA-Workflows sind komplex und umfassen Front-End-Design, Simulation und Verifikation sowie immer umfangreichere Back-End-Workloads, die Timing- und Leistungsanalysen, Design Rule Checks und andere Anwendungen zur Vorbereitung des Chips für die Produktion umfassen. Diese hoch iterativen Arbeitsabläufe können viele Monate oder sogar Jahre dauern, um neue Geräte und Systeme auf einem Chip (SoCs) zu produzieren, und erfordern enorme Rechenleistung. Halbleiterunternehmen, die diese Workloads lokal ausführen, müssen ständig Kosten, Zeitpläne und Rechenzentrumsressourcen ausgleichen, um mehrere Projekte gleichzeitig voranzutreiben. Infolgedessen kann es zu Engpässen bei der Rechenleistung kommen, die den Fortschritt verlangsamen oder die Kosten für die Aufrechterhaltung ungenutzter Rechenkapazität tragen.

Durch die Migration seiner EDA-Workloads zu AWS überwindet Arm die Einschränkungen traditionell verwalteter EDA-Workflows und gewinnt an Elastizität durch massiv skalierbare Rechenleistung, wodurch Simulationen parallel ausgeführt, Telemetrie und Analyse vereinfacht, die Iterationszeit für Halbleiterdesigns reduziert und Tests hinzugefügt werden können Zyklen ohne Auswirkungen auf die Lieferzeiten. Arm nutzt die Amazon Elastic Compute Cloud (Amazon EC2), um seine Kosten und Zeitpläne zu optimieren, indem EDA-Workflows für die Vielzahl spezialisierter Amazon EC2-Instance-Typen optimiert werden.

Das Unternehmen verwendet beispielsweise AWS Graviton2-basierte Instances, um eine hohe Leistung und Skalierbarkeit zu erreichen, was zu einem kostengünstigeren Betrieb führt als der Betrieb von Hunderttausenden von lokalen Servern. Arm verwendet AWS Compute Optimizer, einen Service, der maschinelles Lernen verwendet, um die optimalen Amazon EC2-Instance-Typen für bestimmte Workloads zu empfehlen, um seine Arbeitsabläufe zu optimieren.

Zusätzlich zu den Kostenvorteilen nutzt Arm die hohe Leistung von AWS Graviton2-Instances, um den Durchsatz für seine Engineering-Workloads zu steigern, und verbessert den Durchsatz pro Dollar im Vergleich zu x86-Prozessor-basierten M5-Instances der vorherigen Generation kontinuierlich um über 40 %. Darüber hinaus nutzt Arm Services des AWS-Partners Databricks, um Machine-Learning-Anwendungen in der Cloud zu entwickeln und auszuführen. Durch die Databricks-Plattform, die auf Amazon EC2 läuft, kann Arm Daten aus jedem Schritt seiner Engineering-Workflows verarbeiten, um umsetzbare Erkenntnisse für die Hardware- und Softwaregruppen des Unternehmens zu gewinnen und eine messbare Verbesserung der Engineering-Effizienz zu erreichen.

Der Präsident der IP-Gruppe von Arm, Rene Haas, sagte:„Durch unsere Zusammenarbeit mit AWS haben wir uns darauf konzentriert, die Effizienz zu verbessern und den Durchsatz zu maximieren, um unseren Ingenieuren wertvolle Zeit zurückzugeben, um sich auf Innovationen zu konzentrieren. Da wir jetzt auf Amazon EC2 mit AWS Graviton2-Instances mit Arm Neoverse-basierten Prozessoren laufen können, optimieren wir Engineering-Workflows, reduzieren Kosten und beschleunigen die Projektzeitpläne, um unseren Kunden schneller und kostengünstiger als je zuvor leistungsstarke Ergebnisse zu liefern.“

Peter DeSantis, Senior Vice President of Global Infrastructure and Customer Support bei AWS, fügte hinzu: "Graviton2-Prozessoren können einen Preisvorteil von bis zu 40 % gegenüber x86-basierten Instances der aktuellen Generation bieten."