Η Google ισχυρίζεται ότι έχει αναπτυχθεί ένα λογισμικό της τεχνητή νοημοσύνη ικανή να σχεδιάζει τσιπ υπολογιστή πιο γρήγορα από τους ανθρώπους. Σε ένα άρθρο που δημοσιεύθηκε πριν από λίγες μέρες, η Google ισχυρίζεται ότι ένα τσιπ που θα χρειαζόταν ανθρώπους να σχεδιάσουν μήνες μπορεί να φανταστεί κανείς από το νέο AI σε λιγότερο από έξι ώρες.
Τεχνητή νοημοσύνη έχει ήδη χρησιμοποιηθεί για την ανάπτυξη της τελευταίας επανάληψης των μαρκών Εντατική μονάδα επεξεργασίας (TPU) από την Google, που χρησιμοποιούνται για την εκτέλεση εργασιών που σχετίζονται με την τεχνητή νοημοσύνη, είπε η Google. Οι μηχανικοί της Google δήλωσαν ότι η πρόοδος θα μπορούσε να έχει «μείζονες επιπτώσεις» για τη βιομηχανία ημιαγωγών.
Ουσιαστικά, πρόκειται για τον προσδιορισμό πού τοποθετούνται στοιχεία όπως οι πυρήνες CPU και GPU και η μνήμη εναντίον του τσιπ. Η θέση τους σε αυτές τις μικρές σανίδες είναι σημαντική επειδή επηρεάζει την κατανάλωση ισχύος και την ταχύτητα επεξεργασίας του τσιπ. Η καλωδίωση και η δρομολόγηση σήματος που απαιτούνται για τη σύνδεση όλων είναι εξαιρετικά σημαντικές.
Οι μηχανικοί της Google, Azalia Mirhoseini και η Anna Goldie, μαζί με τους συναδέλφους τους, περιγράφουν στη δημοσίευσή τους ένα σύστημα εκμάθησης βαθιάς ενίσχυσης ικανό να δημιουργήσει "βασικά μοτίβα" σε λιγότερο από έξι ώρες, ενώ μερικές φορές διαρκεί μήνες.
Με άλλα λόγια, Η Google χρησιμοποιεί τεχνητή νοημοσύνη για να σχεδιάσει μάρκες που μπορούν να χρησιμοποιηθούν για τη δημιουργία ακόμη πιο εξελιγμένων συστημάτων τεχνητής νοημοσύνης.
Παρόμοια συστήματα μπορούν επίσης να νικήσουν τους ανθρώπους σε πολύπλοκα παιχνίδια όπως το go και το σκάκι. Σε αυτά τα σενάρια, οι αλγόριθμοι εκπαιδεύονται για να μετακινούν κομμάτια που αυξάνουν τις πιθανότητές σας να κερδίσετε το παιχνίδι, αλλά στο σενάριο πλακιδίων, το AI εκπαιδεύεται για να βρει τον καλύτερο συνδυασμό στοιχείων για να είναι όσο το δυνατόν πιο αποτελεσματικός στο παιχνίδι.
Το νευρωνικό δίκτυο χρησιμοποιεί επίσης μερικές τεχνικές που κάποτε θεωρούνταν από τη βιομηχανία ημιαγωγών, αλλά εγκαταλείφθηκαν ως αδιέξοδα. Σύμφωνα με το άρθρο, το σύστημα τεχνητής νοημοσύνης έλαβε 10.000 σχεδιαγράμματα για μάρκες για να «μάθουν» τι λειτουργεί και τι όχι.
"Η προσέγγισή μας έχει χρησιμοποιηθεί για το σχεδιασμό της επόμενης γενιάς των επιταχυντών AI της Google και έχει τη δυνατότητα να σώσει χιλιάδες ώρες ανθρώπινης προσπάθειας για κάθε νέα γενιά", έγραψαν οι μηχανικοί. "Τελικά, πιστεύουμε ότι το πιο ισχυρό υλικό που έχει σχεδιαστεί με AI θα οδηγήσει στην πρόοδο της AI, δημιουργώντας μια συμβιωτική σχέση μεταξύ των δύο τομέων."
Σύμφωνα με το άρθρο, κατά το σχεδιασμό ενός μικροεπεξεργαστή ή ενός επιταχυντή φόρτου εργασίας, είναι συνήθως απαραίτητο να καθοριστεί πώς λειτουργούν τα υποσυστήματά του σε μια γλώσσα υψηλού επιπέδου, όπως VHDL, SystemVerilog ή ίσως ακόμη και Chisel.
Αυτός ο κωδικός θα μεταφραστεί τελικά σε αυτό που ονομάζεται netlist, το οποίο περιγράφει πώς ένα σύνολο μακροκλειδιών και τυπικών κελιών πρέπει να συνδέεται με καλώδια για την εκτέλεση των λειτουργιών του chip.
Τα τυπικά κελιά περιέχουν βασικά στοιχεία όπως λογικές πύλες NAND και NORλαμβάνοντας υπόψη ότι τα μακρομπλόκ περιέχουν ένα σύνολο τυπικών κελιών ή άλλων ηλεκτρονικών εξαρτημάτων που προορίζονται να εκτελέσουν μια ειδική λειτουργία, όπως η παροχή μνήμης on-chip ή ενός πυρήνα επεξεργαστή. Επομένως, τα μακρομπλόκ είναι πολύ μεγαλύτερα από τα τυπικά κελιά.
Στη συνέχεια, πρέπει να επιλέξετε πώς να οργανώσετε αυτήν τη λίστα κελιών και μακροκλειδιών στο τσιπ. Σύμφωνα με τους υπαλλήλους της Google, μπορεί να χρειαστούν εβδομάδες ή και μήνες για τους ανθρώπινους μηχανικούς να εργαστούν με εξειδικευμένα εργαλεία σχεδίασης τσιπ και να επαναλάβουν πολλές φορές για να λάβουν ένα βελτιστοποιημένο σχέδιο με βάση τις ανάγκες για κατανάλωση ενέργειας, χρονισμό, ταχύτητα κ.λπ.
Αυτό που συμβαίνει συνήθως σε αυτήν τη διαδικασία είναι ότι η θέση των μεγάλων μακρομπλοκών πρέπει να αλλάξει καθώς εξελίσσεται ο σχεδιασμός. Και τότε πρέπει να αφήσετε τα αυτοματοποιημένα εργαλεία, τα οποία χρησιμοποιούν μη κατανοητούς αλγόριθμους, να πέσουν στο πλήθος των μικρότερων τυπικών κελιών και στη συνέχεια να καθαρίσετε και να επαναλάβετε μέχρι να τελειώσετε, λέει το έγγραφο.
Για να επιταχυνθεί αυτό το σχηματικό βήμα σχεδίασης τσιπ, οι ειδικοί της τεχνητής νοημοσύνης της Google δημιούργησαν ένα συνελικτικό σύστημα νευρωνικών δικτύων που πραγματοποιεί τοποθέτηση μακρο-μπλοκ από μόνο του σε λίγες ώρες για να επιτύχει τον βέλτιστο σχεδιασμό.
Τα τυπικά κελιά τοποθετούνται αυτόματα σε κενούς χώρους από άλλο λογισμικό, σύμφωνα με το άρθρο. Αυτό το σύστημα μηχανικής εκμάθησης Θα πρέπει να είναι σε θέση να παράγει ένα ιδανικό διάγραμμα πολύ πιο γρήγορα και καλύτερα από τη μέθοδο των ανθρώπινων μηχανικών Χρησιμοποιώντας παραδοσιακά αυτοματοποιημένα εργαλεία στη βιομηχανία, οι υπάλληλοι της Google εξήγησαν στο άρθρο τους.
πηγή: https://www.theregister.com/