Google apgalvo, ka ir attīstījusies programmatūra mākslīgais intelekts, kas spēj projektēt datoru mikroshēmas ātrāk nekā cilvēki. Rakstā, kas publicēts pirms dažām dienām, Google apgalvo, ka mikroshēmu, kuras izstrādei cilvēkiem būtu vajadzīgi mēneši, ar savu jauno AI varēs iedomāties mazāk nekā sešās stundās.
Mākslīgais intelekts jau ir izmantots, lai izstrādātu jaunāko mikroshēmu atkārtojumu Spriegotāju apstrādes bloks (TPU), ko nodrošina Google, kas tiek izmantoti ar mākslīgo intelektu saistītu uzdevumu veikšanai, sacīja Google. Google inženieri teica, ka attīstībai varētu būt "liela ietekme" uz pusvadītāju nozari.
Būtībā tas ir par to, kā noskaidrot, kur mikroshēmā ir izvietoti tādi komponenti kā CPU un GPU kodoli un atmiņa. Viņu atrašanās uz šiem mazajiem dēļiem ir svarīga, jo tas ietekmē mikroshēmas enerģijas patēriņu un apstrādes ātrumu; elektroinstalācijai un signāla maršrutēšanai, kas nepieciešama visa savienošanai, ir liela nozīme.
Google inženieri Azālija Mirhoseini un Anna Goldija kopā ar kolēģiem savā publikācijā apraksta dziļu pastiprinošu mācību sistēmu, kas spēj radīt "pamata modeļus" mazāk nekā sešās stundās, bet dažreiz tas prasa mēnešus.
Citiem vārdiem sakot Google izmanto mākslīgo intelektu, lai izstrādātu mikroshēmas, kuras var izmantot, lai izveidotu vēl sarežģītākas mākslīgā intelekta sistēmas.
Līdzīgas sistēmas var pieveikt cilvēkus arī sarežģītās spēlēs, piemēram, iet un šahu. Šajos scenārijos algoritmi tiek apmācīti pārvietot gabalus, kas palielina jūsu izredzes uzvarēt spēlē, bet flīžu scenārijā AI tiek apmācīts atrast labāko komponentu kombināciju, lai tā būtu pēc iespējas efektīvāka spēlē.
Neironu tīklā tiek izmantotas arī dažas metodes tos kādreiz uzskatīja pusvadītāju nozare, bet pameta kā strupceļus. Saskaņā ar rakstu mākslīgā intelekta sistēma saņēma 10.000 XNUMX mikroshēmu zīmējumus, lai "uzzinātu", kas darbojas un kas ne.
"Mūsu pieeja ir izmantota, lai izstrādātu nākamās paaudzes Google AI paātrinātājus, un tā var ietaupīt tūkstošiem cilvēku pūļu katrai jaunai paaudzei," raksta inženieri. "Galu galā mēs uzskatām, ka jaudīgāka mākslīgā intelekta izstrādātā aparatūra veicinās AI attīstību, radot simbiotiskas attiecības starp abiem laukiem."
Saskaņā ar rakstu, projektējot mikroprocesoru vai slodzes paātrinātāju, parasti ir jādefinē, kā tā apakšsistēmas darbojas augsta līmeņa valodā, piemēram, VHDL, SystemVerilog vai varbūt pat Chisel.
Šis kods galu galā pārtaps tā sauktajā tīklā, kurā aprakstīts, kā mikroshēmu un standarta šūnu kopai jābūt savienotai ar vadiem, lai veiktu mikroshēmas funkcijas.
Standarta šūnas satur pamatelementus, piemēram, NAND un NOR loģiskos vārtustā kā makroblokos ir standarta šūnu vai citu elektronisko komponentu komplekts, kas paredzēts īpašas funkcijas veikšanai, piemēram, nodrošinot mikroshēmā esošo atmiņu vai procesora kodolu. Tāpēc makrobloki ir daudz lielāki nekā standarta šūnas.
Tad jums jāizvēlas, kā sakārtot šo mikroshēmā esošo šūnu un makrobloku sarakstu. Pēc Google darbinieku domām, cilvēku inženieriem var paiet vairākas nedēļas vai pat mēneši, lai strādātu ar specializētiem mikroshēmu projektēšanas rīkiem, un atkārtot daudzas reizes, lai iegūtu optimizētu plānu, pamatojoties uz enerģijas patēriņa, laika, ātruma utt.
Parasti šajā procesā notiek tas, ka, attīstoties dizainam, ir jāmaina lielo makrobloku atrašanās vieta. Un tad jums jāļauj automatizētajiem rīkiem, kas izmanto nesaprātīgus algoritmus, nomest daudzās mazākās standarta šūnās un pēc tam notīrīt un atkārtot, līdz esat pabeidzis, saka dok.
Lai paātrinātu šo mikroshēmas shematiskā dizaina darbību, Google mākslīgā intelekta speciālisti izveidoja konvolucionālo neironu tīkla sistēmu, kas dažu stundu laikā pati veic makrobloku izvietojumu, lai panāktu optimālu dizainu.
Saskaņā ar rakstu standarta šūnas automātiski ievieto tukšās vietās cita programmatūra. Šī mašīnmācīšanās sistēma jāspēj izveidot ideālu diagrammu daudz ātrāk un labāk nekā cilvēka inženieru metodei izmantojot tradicionālos automatizētos rīkus nozarē, Google darbinieki paskaidroja savā rakstā.
Fuente: https://www.theregister.com/