Google hevder at AI er raskere innen chipdesign

Google hevder å ha utviklet seg en programvare av kunstig intelligens i stand til å designe datamaskinbrikker raskere enn mennesker. I en artikkel som ble publisert for noen dager siden, hevder Google at en chip som det tar mennesker måneder å designe, kan forestilles med sin nye AI på mindre enn seks timer.

Kunstig intelligens har allerede blitt brukt til å utvikle den siste iterasjonen av sjetongene Strammerbehandlingsenhet (TPU) av Google, som brukes til å utføre oppgaver knyttet til kunstig intelligens, sa Google. Google-ingeniører sa at fremskrittet kunne ha "store implikasjoner" for halvlederindustrien.

I hovedsak handler det om å finne ut hvor komponenter som CPU- og GPU-kjerner og minne er plassert mot hverandre på brikken. Deres plassering på disse små kortene er viktig fordi det påvirker strømforbruket og prosesseringshastigheten til brikken; ledninger og signalrute som kreves for å koble til alt er av stor betydning.

Googles ingeniører Azalia Mirhoseini og Anna Goldie beskriver sammen med sine kolleger i sin publikasjon et dyp forsterkningslæringssystem som kan skape "grunnleggende mønstre" på mindre enn seks timer, mens det noen ganger tar måneder.

Med andre ord Google bruker kunstig intelligens til å designe sjetonger som kan brukes til å lage enda mer sofistikerte systemer for kunstig intelligens.

Lignende systemer kan også slå mennesker i komplekse spill som gå og sjakk. I disse scenariene blir algoritmene trent i å flytte brikker som øker sjansene dine for å vinne spillet, men i flisescenariet er AI trent til å finne den beste kombinasjonen av komponenter for å være så effektiv som mulig i spillet.

Nevrale nettverk bruker også noen teknikker som en gang ble vurdert av halvlederindustrien, men forlatt som blindveier. I følge artikkelen mottok det kunstige intelligenssystemet 10.000 tegninger for sjetonger for å "lære" hva som fungerer og hva som ikke fungerer.

"Vår tilnærming er blitt brukt til å designe neste generasjon av Googles AI-akseleratorer og har potensial til å spare tusenvis av timer med menneskelig innsats for hver nye generasjon," skrev ingeniørene. "Til slutt tror vi at kraftigere AI-designet maskinvare vil drive utviklingen av AI, og skape et symbiotisk forhold mellom de to feltene."

I følge artikkelen er det vanligvis nødvendig å definere hvordan delsystemene fungerer på et høyt nivå språk, for eksempel VHDL, SystemVerilog eller kanskje til og med Meisel, når man designer en mikroprosessor eller en arbeidsbelastningsakselerator.

Denne koden vil til slutt oversettes til det som kalles en netliste, som beskriver hvordan et sett med makroblokker og standardceller må kobles sammen med ledninger for å utføre funksjonene til brikken.

Standardceller inneholder grunnleggende elementer som NAND og NOR logiske portermens makroblokker inneholder et sett med standardceller eller andre elektroniske komponenter beregnet på å utføre en spesiell funksjon, for eksempel å gi minne på chip eller en prosessorkjerne. Derfor er makroblokkene mye større enn standardceller.

Deretter må du velge hvordan du skal organisere denne listen over celler og makroblokker på brikken. Ifølge Google-ansatte kan det ta menneskelige ingeniører uker eller til og med måneder å jobbe med spesialiserte verktøy for chipdesign og gjentas mange ganger for å få en optimalisert plan basert på behov for strømforbruk, timing, hastighet osv.

Det som vanligvis skjer i denne prosessen er at plasseringen av de store makroblokkene må endres etter hvert som designet utvikler seg. Og så må du la de automatiserte verktøyene, som bruker uintelligente algoritmer, slippe i mengden av mindre standardceller, og deretter rense og gjenta til du er ferdig, sier doktoren.

For å øke hastigheten på dette chipskjematiske trinnet opprettet Googles spesialister for kunstig intelligens et konvolusjonalt nevralt nettverkssystem som utfører makroblokkplassering på egen hånd i løpet av få timer for å oppnå en optimal design.

Standardceller plasseres automatisk i tomme rom av annen programvare, ifølge artikkelen. Dette maskinlæringssystemet burde være i stand til å produsere et ideelt diagram mye raskere og bedre enn human engineer-metoden ved hjelp av tradisjonelle automatiserte verktøy i bransjen, forklarte Google-ansatte i sin artikkel.

Fuente: https://www.theregister.com/


Innholdet i artikkelen følger våre prinsipper for redaksjonell etikk. Klikk på for å rapportere en feil her.

Bli den første til å kommentere

Legg igjen kommentaren

Din e-postadresse vil ikke bli publisert. Obligatoriske felt er merket med *

*

*

  1. Ansvarlig for dataene: Miguel Ángel Gatón
  2. Formålet med dataene: Kontroller SPAM, kommentaradministrasjon.
  3. Legitimering: Ditt samtykke
  4. Kommunikasjon av dataene: Dataene vil ikke bli kommunisert til tredjeparter bortsett fra ved juridisk forpliktelse.
  5. Datalagring: Database vert for Occentus Networks (EU)
  6. Rettigheter: Når som helst kan du begrense, gjenopprette og slette informasjonen din.