Google hævder at have udviklet sig en software til kunstig intelligens, der er i stand til at designe computerchips hurtigere end mennesker. I en artikel, der blev offentliggjort for et par dage siden, hævder Google, at en chip, der ville tage mennesker måneder at designe, kan forestilles med sin nye AI på mindre end seks timer.
Kunstig intelligens er allerede brugt til at udvikle den seneste iteration af chipsene Strammerbehandlingsenhed (TPU) af Google, som bruges til at udføre kunstig intelligensrelaterede opgaver, sagde Google. Googles ingeniører sagde, at forskuddet kunne have "store konsekvenser" for halvlederindustrien.
I det væsentlige handler det om at finde ud af, hvor komponenter som CPU- og GPU-kerner og hukommelse er placeret mod hinanden på chippen. Deres placering på disse små kort er vigtig, fordi det påvirker chipens strømforbrug og behandlingshastighed; ledninger og signalrute, der kræves for at forbinde alt, er af stor betydning.
Googles ingeniører Azalia Mirhoseini og Anna Goldie beskriver sammen med deres kolleger i deres publikation et dybt forstærket læringssystem, der er i stand til at skabe "grundlæggende mønstre" på mindre end seks timer, mens det nogle gange tager måneder.
Med andre ord Google bruger kunstig intelligens til at designe chips, der kan bruges til at skabe endnu mere sofistikerede kunstige intelligenssystemer.
Lignende systemer kan også slå mennesker i komplekse spil som gå og skak. I disse scenarier trænes algoritmerne i at flytte brikker, der øger dine chancer for at vinde spillet, men i flisscenariet er AI uddannet til at finde den bedste kombination af komponenter til at være så effektiv som muligt i spillet.
Det neurale netværk bruger også nogle teknikker der engang blev betragtet af halvlederindustrien, men forladt som blindgyde. Ifølge artiklen modtog det kunstige intelligenssystem 10.000 tegninger for chips til at "lære" hvad der fungerer og hvad der ikke fungerer.
"Vores metode er blevet brugt til at designe den næste generation af Google AI-acceleratorer og har potentialet til at spare tusindvis af timers menneskelig indsats for hver ny generation," skrev ingeniørerne. "I sidste ende tror vi, at mere kraftfuld AI-designet hardware vil drive fremskridt inden for AI og skabe et symbiotisk forhold mellem de to felter."
Ifølge artiklen er det normalt nødvendigt at definere, hvordan dets undersystemer fungerer på et sprog på højt niveau, såsom VHDL, SystemVerilog eller måske endda Mejsel, når man designer en mikroprocessor eller en arbejdsbelastningsaccelerator.
Denne kode vil til sidst oversættes til det, der kaldes en netliste, der beskriver, hvordan et sæt makroblokke og standardceller skal forbindes med ledninger for at udføre chipens funktioner.
Standardceller indeholder grundlæggende elementer såsom NAND- og NOR-logiske porteder henviser til, at makroblokke indeholder et sæt standardceller eller andre elektroniske komponenter beregnet til at udføre en særlig funktion, såsom tilvejebringelse af on-chip-hukommelse eller en processorkerne. Derfor er makroblokkene meget større end standardceller.
Derefter skal du vælge, hvordan du organiserer denne liste over celler og makroblokke på chippen. Ifølge Google-medarbejdere kan det tage menneskelige ingeniører uger eller endda måneder at arbejde med specialiserede chipdesignværktøjer og gentage mange gange for at få en optimeret plan baseret på behovet for strømforbrug, timing, hastighed osv.
Hvad der normalt sker i denne proces er, at placeringen af de store makroblokke skal ændres, efterhånden som designet udvikler sig. Og så er du nødt til at lade de automatiserede værktøjer, der bruger uintelligente algoritmer, falde i mængden af mindre standardceller og derefter rense og gentage, indtil du er færdig, siger doktoren.
For at fremskynde dette chipskematiske designstrin oprettede Googles kunstige intelligensspecialister et sammenbrudt neuralt netværkssystem, der udfører makroblokplacering alene på få timer for at opnå et optimalt design.
Standardceller placeres automatisk i tomme rum af anden software ifølge artiklen. Dette maskinlæringssystem skulle være i stand til at producere et ideelt diagram meget hurtigere og bedre end metoden for menneskelige ingeniører ved hjælp af traditionelle automatiserede værktøjer i branchen, forklarede Google-medarbejdere i deres artikel.
kilde: https://www.theregister.com/