Команда исследователей из Google представила новую модель искусственного интеллекта, которая может создавать сложные конструкции микросхем за часы — тяжелая и сложная задача, на выполнение которой у живых инженеров обычно уходят месяцы.
Исследователи использовали набор данных из 10000 макетов микросхем для загрузки модели машинного обучения, которая затем была обучена с помощью обучения с подкреплением. Выяснилось, что всего за шесть часов модель может создать конструкцию, оптимизирующую размещение различных компонентов на кристалле, чтобы создать окончательную компоновку, удовлетворяющую эксплуатационные требования, такие как скорость обработки и энергоэффективность.
Успех метода таков, что Google уже использовал эту модель для разработки своего следующего поколения блоков тензорной обработки (TPU), которые работают в центрах обработки данных компании для повышения производительности различных приложений искусственного интеллекта.
«Наш агент RL (обучение с подкреплением) создает макеты микросхем всего за несколько часов, в то время как живым экспертам могут потребоваться месяцы», — написала в Твиттере Анна Голди, научный сотрудник Google Brain, принимавшая участие в исследовании. «Эти сверхчеловеческие макеты, созданные искусственным интеллектом, использовались в последнем ускорителе искусственного интеллекта Google (TPU-v5)!»
Современные микросхемы содержат миллиарды различных компонентов, расположенных и соединенных на кусочке кремния размером с ноготь. Например, один процессор обычно содержит десятки миллионов логических вентилей, также называемых стандартными ячейками, и тысячи блоков памяти, известных как макроблоки, которые затем необходимо соединить вместе.
Размещение стандартных ячеек и макроблоков на микросхеме имеет решающее значение для определения того, насколько быстро сигналы могут передаваться на микросхеме и, следовательно, насколько эффективным будет конечное устройство.
Вот почему большая часть работы инженеров сосредоточена на оптимизации компоновки микросхемы. Он начинается с размещения более крупных макроблоков. Этот процесс называется «поэтапный план» (floorplanning) и заключается в нахождении наилучшей конфигурации компонентов с учетом того, что стандартные ячейки и проводки должны быть размещены в оставшемся пространстве.
Количество возможных макетов макроблоков колоссально: по мнению исследователей Google, есть потенциальные десять в степени 2500 различных конфигураций, которые можно протестировать, то есть 2500 нулей после единицы.
Более того: как только инженер придумал макет, вполне вероятно, что ему придется впоследствии настраивать и корректировать дизайн по мере добавления стандартных ячеек и проводков. Каждая итерация может занять до нескольких недель.
Учитывая кропотливую сложность выполнения «поэтапного плана», весь процесс кажется очевидным для автоматизации. Тем не менее, в течение нескольких десятилетий исследователям не удавалось разработать технологию, которая могла бы снять с инженеров бремя «поэтапного планирования».
Разработчики микросхем могут полагаться на компьютерное программное обеспечение, которое поможет им в решении этой задачи, но все еще требуется много месяцев, чтобы решить, как лучше всего собрать компоненты на устройстве.
И задача становится все сложнее. Часто цитируемый закон Мура предсказывает, что количество транзисторов на микросхеме удваивается каждый год — это означает, что инженеры сталкиваются с уравнением, которое экспоненциально растет со временем, но при этом все еще вынуждены соблюдать жесткие графики.
Вот почему очевидно успешная попытка Google автоматизировать планирование этажей может изменить правила игры. «Очень хорошая работа Google по глубокой оптимизации компоновки микросхем на основе RL», — написал в Твиттере Ян Лекун, главный специалист по искусственному интеллекту в Facebook, поздравив команду с преодолением «40 лет» попыток решить эту проблему.
Новая модель искусственного интеллекта Google вряд ли могла появиться в лучшее время: полупроводниковая промышленность в настоящий момент потрясена глобальной нехваткой чипов, которая поражает ряд секторов, от бытовой электроники до автомобилестроения.
Хотя нехватка была вызвана недостаточными возможностями на уровне производства, а не конструкцией полупроводников, сокращение времени, необходимого для изобретения микросхем следующего поколения, может стать долгожданным облегчением для всей цепочки поставок.
Научный журнал Nature, например, приветствовал новый метод. «Исследователям Google удалось значительно сократить время, необходимое для разработки микрочипов», — заявили они. «Это важное достижение, и оно будет огромным подспорьем в ускорении цепочки поставок».
Хотя модель машинного обучения может повлиять на отрасль в целом, стоит также следить за тем, как Google использует эту технологию.
Поисковый гигант уже давно ясно заявляет, что его амбиции заключаются в создании собственных процессоров, особенно в виде систем на кристалле (SoC).
Источник: