Semiconductor Engineering 博客综述（11 月 4 日）：从 Chiplet、机架级设计到 AI 数据中心

面向物理 AI 的芯粒；机架级考量；验证复杂度；稀疏矩阵工作负载；AI 数据中心。

popularity

Cadence 的 Mick Posner 介绍了物理 AI 子项目工作流，旨在扩展现有 OCP 基础芯粒系统架构（FCSA）以数据中心、云和服务器为核心的基线，加入满足实时性、安全关键物理系统的规范要求，同时保留 FCSA 已定义的全部内容。

Synopsys 的 Charlie Matar 探讨了设计重心如何从服务器转向机架：硅片行为正在塑造机架级的电源和散热需求，而机架约束又反过来影响芯片和封装内部的决策。

Siemens 的 Harry Foster 警告说，尽管验证复杂度一直通过把大问题拆分成小问题来管理，但随着影响 SoC 正确行为的交互在数量和多样性上不断增长，新的挑战正在出现。

Arm 的 Zenon (Zhilong) Xiu 研究了四分之一瓦片与结构化稀疏性外积指令如何使 SME2 编程模型更适合现代 AI 软件中的小型、稠密、量化及稀疏矩阵工作负载。

Keysight 的 Linas Dauksa 深入剖析AI 数据中心基础设施，包括关键组件、能耗与功率密度挑战、可用的各类液冷技术，以及超大规模设施的独特之处。

SEMI 的 Sungho Yoon 探讨了与晶圆出货量预期增长相关的诸多因素，包括工艺材料销售的增长以及大量新建和即将投产的生产线。

此外，欢迎阅读最新一期 Systems & Design 新闻通讯中精选的博客：

技术编辑 Brian Bailey 向所有参与半导体系统验证的人提出了那个老问题：在 AI 时代，谁来验证验证者？

Axiomise 的 Vidya Chandran Darbari 和 Ashish Darbari 深入探讨了生物推理能给我们的硅系统验证带来什么启示。

Keysight 的 Chris Mueth 解释了为什么在设计流程的每个阶段应用适当级别的仿真与抽象对有效的热分析至关重要。

Siemens EDA 的 Emma-Jane Crozier 探讨了自验证智能体如何验证其决策，以及为什么基于物理的引擎才是正确性的权威。

Arteris 的 Leon Brown 分析了哪些产品可能落入欧盟网络弹性法案的范围之内，以及可能需要向客户提供哪些信息。

Movellus 的 Aakash Jani 与 Siemens 的 Henrique Mendes 和 Robert Wilcox 区分了由电压骤降引起的假性失效与真实的结构性缺陷。

ChipAgents 的 Zackary Glazewski 演示了如何处理疑难缺陷，同时智能地决定要调查什么、要重跑什么，以及把算力花在哪里。

Vinci 的 Hardik Kabaria 探讨了为什么当芯片、封装、电路板和系统被协同设计时，基于物理的分析变得更加重要。

Cadence 的 Reela Samuel 讲解了如何编排多步骤工程工作流，以减少重复劳动并探索更多设计选项。

Synopsys 的 Anand Thiruvengadam 阐述了自主工程智能体如何在保持上下文、评估结果并不断调整的过程中，追求需要数百甚至数千步推理的目标。

（所有文章）
Jesse Allen 是 Semiconductor Engineering 的知识中心管理员兼高级编辑。