Inaangkin ng Google na umunlad isang software ng artipisyal na katalinuhan na may kakayahang pagdisenyo ng mga computer chip nang mas mabilis kaysa sa mga tao. Sa isang artikulong inilathala ilang araw na ang nakakalipas, sinasabing ng Google na ang isang maliit na tilad na tatagal ng buwan ng mga tao upang mai-disenyo ay maaaring maiisip ng bago nitong AI nang mas mababa sa anim na oras.
Artipisyal na katalinuhan nagamit na upang makabuo ng pinakabagong pag-ulit ng mga chips Yunit ng Pagpoproseso ng Tensioner (TPU) ng Google, na ginagamit upang magsagawa ng mga gawaing nauugnay sa artipisyal na intelihensiya, sinabi ng Google. Sinabi ng mga inhinyero ng Google na ang advance ay maaaring magkaroon ng "pangunahing implikasyon" para sa industriya ng semiconductor.
Mahalaga, ito ay tungkol sa pag-alam kung saan ang mga bahagi tulad ng CPU at GPU core at memorya ay inilalagay laban sa bawat isa sa maliit na tilad. Ang kanilang lokasyon sa mga maliliit na board na ito ay mahalaga sapagkat nakakaapekto ito sa pagkonsumo ng kuryente at bilis ng pagproseso ng maliit na tilad; ang mga kable at pagruruta ng signal na kinakailangan upang ikonekta ang lahat ay may malaking kahalagahan.
Inilarawan ng mga inhinyero ng Google na sina Azalia Mirhoseini at Anna Goldie, kasama ang kanilang mga kasamahan, sa kanilang publication ang isang malalim na pampalakas na sistema ng pag-aaral na may kakayahang lumikha ng "pangunahing mga pattern" nang mas mababa sa anim na oras, habang minsan ay tumatagal ng ilang buwan.
Sa ibang salita, Gumagamit ang Google ng artipisyal na katalinuhan upang magdisenyo ng mga chips na maaaring magamit upang lumikha ng mas sopistikadong mga sistema ng artipisyal na intelihensiya.
Ang mga katulad na sistema ay maaari ring talunin ang mga tao sa mga kumplikadong laro tulad ng go at chess. Sa mga senaryong ito, sinasanay ang mga algorithm upang ilipat ang mga piraso na nagdaragdag ng iyong pagkakataon na manalo ng laro, ngunit sa senaryo ng tile, ang AI ay sinanay upang mahanap ang pinakamahusay na kumbinasyon ng mga bahagi upang gawin itong kasing husay hangga't maaari sa laro.
Gumagamit din ang neural network ng ilang mga diskarte na noon ay isinasaalang-alang ng industriya ng semiconductor, ngunit inabandona bilang patay na. Ayon sa artikulo, ang artipisyal na sistema ng katalinuhan ay nakatanggap ng 10.000 mga blueprint para sa mga chips upang "malaman" kung ano ang gumagana at kung ano ang hindi.
"Ang aming pamamaraan ay ginamit upang idisenyo ang susunod na henerasyon ng mga Google AI accelerator at may potensyal na makatipid ng libu-libong oras na pagsisikap ng tao para sa bawat bagong henerasyon," isinulat ng mga inhinyero. "Sa huli, naniniwala kami na ang mas makapangyarihang hardware na dinisenyo ng AI ay magdadala sa pagsulong ng AI, na lumilikha ng isang simbiotikong ugnayan sa pagitan ng dalawang larangan."
Ayon sa artikulo, kapag nagdidisenyo ng isang microprocessor o isang accelerator ng workload, karaniwang kinakailangan upang tukuyin kung paano gumagana ang mga subsystems sa isang mataas na antas na wika, tulad ng VHDL, SystemVerilog, o marahil kahit Chisel.
Ang code na ito sa paglaon ay isasalin sa tinatawag na isang netlist, na naglalarawan kung paano ang isang hanay ng mga karaniwang mga macroblock at cell ay dapat na konektado ng mga wires upang maisagawa ang mga pagpapaandar ng maliit na tilad.
Naglalaman ang mga karaniwang cell ng mga pangunahing elemento tulad ng NAND at NOR na mga gate ng lohikasamantalang ang mga macroblock ay naglalaman ng isang hanay ng mga karaniwang cell o iba pang mga elektronikong sangkap na inilaan upang magsagawa ng isang espesyal na pagpapaandar, tulad ng pagbibigay ng on-chip memory o isang core ng processor. Samakatuwid, ang mga macroblock ay mas malaki kaysa sa karaniwang mga cell.
Pagkatapos ay kailangan mong pumili kung paano ayusin ang listahan ng mga cell at macroblocks sa maliit na tilad. Ayon sa mga empleyado ng Google, maaari itong tumagal ng mga inhinyero ng tao linggo o kahit na buwan upang magtrabaho kasama ang mga dalubhasang tool sa disenyo ng maliit na tilad at ulitin nang maraming beses upang makakuha ng isang na-optimize na plano batay sa mga pangangailangan para sa pagkonsumo ng kuryente, tiyempo, bilis, atbp.
Ang karaniwang nangyayari sa prosesong ito ay ang lokasyon ng malalaking mga macroblock na dapat mabago habang umuunlad ang disenyo. At pagkatapos ay kailangan mong hayaan ang mga naka-automate na tool, na gumagamit ng hindi matalinong mga algorithm, bumaba sa maraming mas maliit na karaniwang mga cell, at pagkatapos ay malinis at ulitin hanggang sa tapos ka na, sabi ng doc.
Upang mapabilis ang hakbang na ito sa disenyo ng chip skema, ang mga espesyalista sa artipisyal na artipisyal ng Google ay lumikha ng isang convolutional neural network system na nagsasagawa ng paglalagay ng macro-block sa sarili nitong ilang oras upang makamit ang isang pinakamainam na disenyo.
Ang mga karaniwang cell ay awtomatikong inilalagay sa walang laman na mga puwang ng iba pang software, ayon sa artikulo. Sistema ng pag-aaral ng machine na ito dapat na makabuo ng isang perpektong diagram na mas mabilis at mas mahusay kaysa sa pamamaraan ng mga inhinyero ng tao gamit ang tradisyunal na mga awtomatikong tool sa industriya, ipinaliwanag ng mga empleyado ng Google sa kanilang artikulo.
Fuente: https://www.theregister.com/