![Это лично я сфотографировал, как пылко молодежь обсуждает постеры в посте ниже Это лично я сфотографировал, как пылко молодежь обсуждает постеры в посте ниже](https://habrastorage.org/getpro/habr/upload_files/ddb/10f/375/ddb10f3756b0d552cf65f9fe4f44f690.jpg)
Design Automation Conference (DAC) - главная выставка софтверных компаний, которые создают средства проектирования чипов. Именно на ней появляются стартапы, которые определяют проектирование через 10-15 лет (например появление Synopsys на рубеже 1980-1990-х привело к появлению iPhone в середине 2000-х).
На DAC помимо выставки и официальных докладов есть также и poster session - молодые исследователи из университетов вывешивают в виде плакатов, чем они занимаются. Я методически сфотографировал все постеры во время последней конференции DAC в Сан-Франциско, и вот перед вами картина маслом:
6 постеров по новой модной теме "Приблизительного компьютинга" ("Approximate Computing"), когда вычислениям разрешается быть неточными (например в нейросетке) если это экономит энергопотребление или делается быстрее.
Более 30 постеров так или иначе трогают тему нейросетей:
16 постеров по аппаратному ускорению нейросетей. Из них:
два по теме ReRAM,
два по нейроморфным процессорам,
один по тематике CGRA (Coarse Grained Reconfigurable Array - это такая матрица из недопроцессоров, по аналогии с FPGA, но ячейки соединяются не сигналами, а шинами, и в каждой ячейке есть сиквенсер, типа маленькая программа),
один толерантный к глюкам от прилетевшего из космоса луча.
2 постера - по оптическим нейросетям.
3 постера - о нейросетях вообще (без контекста архитектуры ускорителя).
2 постера - о вычислениях в памяти (in memory computing). Не разобрался, что это такое, но это тоже привязывается к нейросетям.
7 постеров - о приложениях нейросетей, в том числе для дронов, сейсморазведки, сбора энергии (energy harvesting - это еще что такое?) и здравоохранения.
2 постера - все о тех же нейросетях, но на краю, то бишь во встроенных устройствах (Edge AI).
10 постеров про кибербезопасность, в том числе:
про защиту IP блоков,
про аппаратные трояны в микросхемах и платах (а в России говорят "закладок не бывает!"),
side-channel attacks (это было на Хабре) и физические атаки (не понял что это такое)
"аппаратный иммунитет"
нахождение уязвимостей
6 постеров на почтенную тематику физического проектирования, хотя пару раз нейросети влазят и туда:
Постер про энергопотребление
Про проектирование смешанных аналогово-цифровых схем
Про глобальную трассировку (routing) цифровых схем
Про размещение и трассировку цифро-аналоговых преобразователей
2 постера про использование машинного обучения в физическом проектировании
Дальше всего понемножку:
3 постера про высокопроизводительные вычисления (High Performance Computing - HPC)
2 постера про датацентры
1 постер про аппаратный ускоритель, но без слова "нейросеть"
2 постера про моделирование систем на кристалле - System-on-Chip - SoC
1 постер про сети на кристалле
1 постер про сопряжение с биосигналами
2 постера привязаны к архитектуре RISC-V - это умеренно модно, не так как нейросети и трояны
1 постер про проектирование RISC-ядер (не обязательно с архитектурой RISC-V) как комбинацию из конечных автоматов для стадий конвейера (ну, можно рассматривать и так, хотя это неканоническое изложение)
2 постера про вечно молодую тематику высокоуровневого синтеза, который уже 30 лет грозиться вытеснить обычный за 5 лет
4 постера про совсем низкий уровень - катушки, проходы в микросхемах, устройства статической памяти и сенсоры
2 постера про будущее всего человечества - квантовый компьютинг
Постер про панель дисплея
Постер про сравнение процессоров в Бразилии
Постер про формальную верификацию, в котором упоминается Coq, Haskell, SystemVerilog и контроллеры DRAM памяти
Ну и кто-то еще одну сортировку на FPGA написал - такое на таких конференциях бывает
Все постеры ниже (я также выложил версию этой заметки с большими картинками - если вы хотите покопаться детальнее, а не просто обозреть с птичьего полета, это лучше делать там):
03. Approximate Computing – Compilers for HPC
04. Approximate Computing – Power-efficient multipliers
05. Approximate Computing – Logic Synthesis
06. Approximate Computing – DNN
07. Approximate Computing – DNN
08. Approximate Computing – DNN
![](https://habrastorage.org/getpro/habr/upload_files/294/57f/355/29457f355374f41ac1528fb88f9f9ed7.png)
09. Neural Networks – Hardware Accelerators
10. Neural Networks – Hardware Accelerators
11. Neural Networks – Hardware Accelerators
12. Neural Networks – Hardware Accelerators
13. Neural Networks – Hardware Accelerators
14. Neural Networks – Hardware Accelerators
15. Neural Networks – Hardware Accelerators
16. Neural Networks – Hardware Accelerators
17. Neural Networks – Hardware Accelerators
18. Neural Networks – Hardware Accelerators
![](https://habrastorage.org/getpro/habr/upload_files/250/fd6/229/250fd622982ac3522a9dda0ea3a01fd3.png)
![](https://habrastorage.org/getpro/habr/upload_files/c02/2d0/f8e/c022d0f8e69da1196b1c4fc6f01173b6.png)
19. Neural Networks – Hardware Accelerators – ReRAM
20. Neural Networks – Hardware Accelerators – ReRAM
21. Neural Networks – Hardware Accelerators – Neuromorphic
22. Neural Networks – Hardware Accelerators – Neuromorphic
23. Neural Networks – Hardware Accelerators – CGRA
24. Neural Networks – Hardware Accelerators – Fault-tolerant
![](https://habrastorage.org/getpro/habr/upload_files/7a1/542/239/7a15422393d6466f6d93501870c59ad3.png)
![](https://habrastorage.org/getpro/habr/upload_files/9f8/a26/6b0/9f8a266b04899c8f39657a61dd7e5c24.png)
27. Neural Networks – General – Train only on important samples
28. Neural Networks – General – NVidia-based
29. Neural Networks – General – Spiking
![](https://habrastorage.org/getpro/habr/upload_files/4fd/d7d/66f/4fdd7d66f36beaae9da5be287a05c842.png)
30. Neural Networks – In-memory computing
31. Neural Networks – In-memory computing
![](https://habrastorage.org/getpro/habr/upload_files/d9b/936/105/d9b936105481bc0981aa7d2ead539612.png)
32. Neural Networks – Applications – Deploying NN on drones
33. Neural Networks – Applications – To predict energy management in wearable devices
34. Neural Networks – Applications – For seismic computations
35. Neural Networks – Applications – For energy harvesting
36. Neural Networks – Applications – For energy harvesting
37. Neural Networks – Applications – Healthcare
38. Neural Networks – Applications – Healthcare
![](https://habrastorage.org/getpro/habr/upload_files/41e/73e/5af/41e73e5afb93a55d4401c043fc318240.png)
![](https://habrastorage.org/getpro/habr/upload_files/c3c/2c9/358/c3c2c935899a48ea421f0c26444e24b1.png)
39. Neural Networks – Edge AI – MCU
40. Neural Networks – Edge AI – MCU
![](https://habrastorage.org/getpro/habr/upload_files/cb2/321/9b3/cb23219b351cf1b6c32199f1f8fee80f.png)
47. Security – Hardware trojans in PCB
48. Security – Side-channel attacks
51. Security – Hardware Immune System
![](https://habrastorage.org/getpro/habr/upload_files/1d0/4d4/dca/1d04d4dca37bf1e0f57f6fd5a1345d6d.png)
45. Security – Hardware trojans in ASIC
46. Security – Hardware trojans in ASIC
![](https://habrastorage.org/getpro/habr/upload_files/089/c81/fa9/089c81fa962e8a905b755d7c0f4307d3.png)
![](https://habrastorage.org/getpro/habr/upload_files/617/b97/f7b/617b97f7b650946744e7f07e0d64249f.png)
49. Security – Physical attacks
![](https://habrastorage.org/getpro/habr/upload_files/92f/e20/504/92fe2050424914170d826a59cc0ce1eb.png)
![](https://habrastorage.org/getpro/habr/upload_files/794/b6d/a36/794b6da36d026727eb71af21cc98e83e.png)
52. High-performance computing – Power and thermal management emulation
53. High-performance computing – Reconfigurable smart switches
54. High-performance computing – Combined with ML
![](https://habrastorage.org/getpro/habr/upload_files/3aa/4db/6e2/3aa4db6e2aaabda1982547b7d62e6373.png)
![](https://habrastorage.org/getpro/habr/upload_files/ca5/a4e/aa3/ca5a4eaa39c1c0fbc52b710382d7debf.png)
57. Hardware accelerators – ASIC
![](https://habrastorage.org/getpro/habr/upload_files/d5e/bbf/d9a/d5ebbfd9ad74be9d8f0c2768cbe5a489.png)
58. System-level design – Simulation
59. System-level design – Simulation
60. System-level design – Biosignal processing
![](https://habrastorage.org/getpro/habr/upload_files/ebd/336/d72/ebd336d72a40ef1f5ceca00c0252788f.png)
![](https://habrastorage.org/getpro/habr/upload_files/cc5/747/726/cc5747726cda288b84bfb1d10b76fcce.png)
63. RISC-V – Return-Oriented-Programing attacks
64. RISC-V – Representing a generic RISC microarchitecture as multiple state machines
![](https://habrastorage.org/getpro/habr/upload_files/aaf/800/e3b/aaf800e3b4c98441c8b217e530781ce1.png)
![](https://habrastorage.org/getpro/habr/upload_files/9e5/7eb/734/9e57eb7348adb5f91263b6883dd78e23.png)
![](https://habrastorage.org/getpro/habr/upload_files/bb6/7cd/6d6/bb67cd6d680a1c367316691a9e6e72a3.png)
69. Physical Design – Mixed signal
![](https://habrastorage.org/getpro/habr/upload_files/df6/759/80f/df675980f4011b95295446a9b968dd0d.png)
67. Physical Design – Global routing
70. Physical Design – ML-assisted design
71. Physical Design – ML-assisted design
72. Physical Design – PnR for digital-to-analog converters
![](https://habrastorage.org/getpro/habr/upload_files/aae/7b8/6f6/aae7b86f61819ae20434cb0ad76b5774.png)
73. IC components on low level – Inductor design
74. IC components on low level – Via utilization
75. IC components on low level – SRAM structure
76. IC components on low level – Sensors for IoT
![](https://habrastorage.org/getpro/habr/upload_files/db4/841/fc7/db4841fc7f07bc0a94f12aae06ff3a87.png)
![](https://habrastorage.org/getpro/habr/upload_files/4df/81a/950/4df81a9503adbd5b806ba5c853e6c908.png)
79. Misc – Display panel development
81. Misc – Formal verification – Coq DRAM controllers Haskell SystemVerilog
82. Misc – Serial sorter on FPGA
![](https://habrastorage.org/getpro/habr/upload_files/646/9e9/966/6469e996647c86273c0313ba22928637.png)
Если вы хотите почитать еще про DAC, я написал и другие отчеты, в частности:
![](https://habrastorage.org/getpro/habr/upload_files/335/681/cbc/335681cbc0e6c5f61610d4a5711bbdfa.jpg)