ગૂગલે ડેવલપ કર્યો હોવાનો દાવો કર્યો છે નું સોફ્ટવેર કૃત્રિમ બુદ્ધિ માણસો કરતાં વધુ ઝડપથી કમ્પ્યુટર ચિપ્સ ડિઝાઇન કરવામાં સક્ષમ છે. થોડા દિવસો પહેલા પ્રકાશિત થયેલા એક લેખમાં, ગૂગલે દાવો કર્યો છે કે જે ચિપને ડિઝાઇન કરવામાં મહિનાઓ લાગે છે તેની કલ્પના તેના નવા AI દ્વારા છ કલાકથી ઓછા સમયમાં કરી શકાય છે.
કૃત્રિમ બુદ્ધિ ચિપ્સની નવીનતમ પુનરાવર્તન વિકસાવવા માટે પહેલેથી જ ઉપયોગમાં લેવાય છે ટેન્શનર પ્રોસેસિંગ યુનિટ (TPU) Google દ્વારા, જેનો ઉપયોગ કૃત્રિમ બુદ્ધિ-સંબંધિત કાર્યો કરવા માટે થાય છે, ગૂગલે જણાવ્યું હતું. Google એન્જિનિયરોએ જણાવ્યું હતું કે એડવાન્સ સેમિકન્ડક્ટર ઉદ્યોગ માટે "મુખ્ય અસરો" હોઈ શકે છે.
અનિવાર્યપણે, તે શોધવા વિશે છે જ્યાં CPU અને GPU કોરો અને મેમરી જેવા ઘટકો ચિપ પર એકબીજાની સામે મૂકવામાં આવે છે. આ નાના બોર્ડ પર તેમનું સ્થાન મહત્વનું છે કારણ કે તે ચિપના પાવર વપરાશ અને પ્રક્રિયાની ઝડપને અસર કરે છે; દરેક વસ્તુને કનેક્ટ કરવા માટે જરૂરી વાયરિંગ અને સિગ્નલ રૂટીંગ ખૂબ મહત્વ ધરાવે છે.
Google એન્જિનિયર્સ અઝાલિયા મિરહોસેની અને અન્ના ગોલ્ડી, તેમના સાથીદારો સાથે, તેમના પ્રકાશનમાં એક ઊંડા મજબૂતીકરણ શિક્ષણ પ્રણાલીનું વર્ણન કરે છે જે છ કલાકથી ઓછા સમયમાં "મૂળભૂત પેટર્ન" બનાવવા માટે સક્ષમ છે, જ્યારે કેટલીકવાર તે મહિનાઓ લે છે.
અન્ય શબ્દોમાં, Google કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ ચિપ્સ ડિઝાઇન કરવા માટે કરી રહ્યું છે જેનો ઉપયોગ વધુ અત્યાધુનિક આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમ્સ બનાવવા માટે થઈ શકે છે.
સમાન સિસ્ટમો ગો અને ચેસ જેવી જટિલ રમતોમાં પણ મનુષ્યોને હરાવી શકે છે. આ દૃશ્યોમાં, એલ્ગોરિધમ્સને ટુકડાઓ ખસેડવા માટે તાલીમ આપવામાં આવે છે જે તમારી રમત જીતવાની તકો વધારે છે, પરંતુ ટાઇલના દૃશ્યમાં, રમતમાં શક્ય તેટલું કાર્યક્ષમ બનવા માટે ઘટકોનું શ્રેષ્ઠ સંયોજન શોધવા માટે AIને તાલીમ આપવામાં આવે છે.
ન્યુરલ નેટવર્ક પણ કેટલીક તકનીકોનો ઉપયોગ કરે છે જે એક સમયે સેમિકન્ડક્ટર ઉદ્યોગ દ્વારા માનવામાં આવતું હતું, પરંતુ ડેડ એન્ડ તરીકે ત્યજી દેવામાં આવ્યું હતું. લેખ મુજબ, આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમને ચિપ્સ માટે 10.000 બ્લુપ્રિન્ટ્સ પ્રાપ્ત થઈ છે જે "શીખવા" માટે શું કામ કરે છે અને શું નથી.
"અમારા અભિગમનો ઉપયોગ Google ના AI પ્રવેગકની આગામી પેઢીને ડિઝાઇન કરવા માટે કરવામાં આવ્યો છે અને દરેક નવી પેઢી માટે હજારો કલાકોના માનવ પ્રયત્નોને બચાવવાની ક્ષમતા ધરાવે છે," એન્જિનિયરોએ લખ્યું. "આખરે, અમે માનીએ છીએ કે વધુ શક્તિશાળી AI-ડિઝાઈન કરેલ હાર્ડવેર એઆઈની પ્રગતિને આગળ વધારશે, જે બે ક્ષેત્રો વચ્ચે સહજીવન સંબંધ બનાવશે."
લેખ મુજબ, માઇક્રોપ્રોસેસર અથવા વર્કલોડ એક્સિલરેટર ડિઝાઇન કરતી વખતે, સામાન્ય રીતે તે વ્યાખ્યાયિત કરવું જરૂરી છે કે તેની સબસિસ્ટમ ઉચ્ચ-સ્તરની ભાષામાં કેવી રીતે કાર્ય કરે છે, જેમ કે VHDL, SystemVerilog, અથવા કદાચ ચિઝલ.
આ કોડ આખરે જેને નેટલિસ્ટ કહેવાય છે તેમાં ભાષાંતર કરશે, જે વર્ણવે છે કે ચિપના કાર્યો કરવા માટે મેક્રોબ્લોક અને માનક કોષોનો સમૂહ કેવી રીતે વાયર દ્વારા જોડાયેલ હોવો જોઈએ.
માનક કોષોમાં NAND અને NOR લોજિક ગેટ જેવા મૂળભૂત તત્વો હોય છેજ્યારે મેક્રોબ્લોકમાં પ્રમાણભૂત કોષોનો સમૂહ અથવા અન્ય ઈલેક્ટ્રોનિક ઘટકોનો સમાવેશ થાય છે જે ખાસ કાર્ય કરવા માટે હોય છે, જેમ કે ઓન-ચિપ મેમરી અથવા પ્રોસેસર કોર પ્રદાન કરે છે. તેથી, મેક્રોબ્લોક પ્રમાણભૂત કોષો કરતા ઘણા મોટા છે.
પછી તમારે ચિપ પરના કોષો અને મેક્રોબ્લોક્સની આ સૂચિ કેવી રીતે ગોઠવવી તે પસંદ કરવું પડશે. Google કર્મચારીઓના જણાવ્યા મુજબ, માનવ ઇજનેરોને વિશિષ્ટ ચિપ ડિઝાઇન સાધનો સાથે કામ કરવામાં અઠવાડિયા કે મહિનાઓ પણ લાગી શકે છે અને પાવર વપરાશ, સમય, ઝડપ વગેરેની જરૂરિયાતોને આધારે ઑપ્ટિમાઇઝ પ્લાન મેળવવા માટે ઘણી વખત પુનરાવર્તિત થઈ શકે છે.
આ પ્રક્રિયામાં સામાન્ય રીતે જે થાય છે તે એ છે કે મોટા મેક્રોબ્લોકનું સ્થાન જેમ જેમ ડિઝાઈન વિકસે તેમ બદલવું આવશ્યક છે. અને પછી તમારે સ્વયંસંચાલિત ટૂલ્સ, જે બિનબુદ્ધિશાળી એલ્ગોરિધમ્સનો ઉપયોગ કરે છે, નાના પ્રમાણભૂત કોષોની સંખ્યામાં ઘટાડો કરવા દેવા પડશે, અને પછી તમે પૂર્ણ કરી લો ત્યાં સુધી સાફ કરો અને પુનરાવર્તન કરો, ડૉક કહે છે.
ચિપ યોજનાકીય ડિઝાઇનના આ પગલાને વેગ આપવા માટે, Google આર્ટિફિશિયલ ઇન્ટેલિજન્સ નિષ્ણાતોએ એક કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક સિસ્ટમ બનાવી છે જે શ્રેષ્ઠ ડિઝાઇન પ્રાપ્ત કરવા માટે થોડા કલાકોમાં મેક્રો-બ્લોક પ્લેસમેન્ટ જાતે કરે છે.
લેખ અનુસાર, માનક કોષો આપમેળે અન્ય સોફ્ટવેર દ્વારા ખાલી જગ્યાઓમાં મૂકવામાં આવે છે. આ મશીન લર્નિંગ સિસ્ટમ માનવ ઇજનેરોની પદ્ધતિ કરતાં વધુ ઝડપી અને વધુ સારી રીતે આદર્શ આકૃતિ તૈયાર કરવા સક્ષમ હોવા જોઈએ ઉદ્યોગમાં પરંપરાગત સ્વચાલિત સાધનોનો ઉપયોગ કરીને, Google કર્મચારીઓએ તેમના લેખમાં સમજાવ્યું.
સ્રોત: https://www.theregister.com/