uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

google deepmind julkisti äskettäin virallisesti uusimman sirusuunnittelualgoritminsa alphachip on nature. tämä menetelmä on omistettu tietokonesirujen kehityksen nopeuttamiseen ja optimointiin viikkoja tai jopa kuukausia sirusuunnittelua.

google julkaisi vuonna 2020 merkittävän esipainetun paperin "chip placement with deep reforcement learning", joka esitteli maailmalle ensimmäistä kertaa sen siruasettelun, joka on suunniteltu käyttämällä uutta vahvistusoppimismenetelmää.tämän innovaation ansiosta google voi ottaa tekoälyn käyttöön tpu-sirun suunnittelussa ja saavuttaa siruasettelun, joka ylittää ihmisen suunnittelijat.

vuoteen 2022 mennessä google jatkoi avoimen lähdekoodin julkaisussa kuvattua algoritmikoodia, jolloin tutkijat ympäri maailmaa voivat käyttää tätä resurssia sirulohkojen esiopettamiseen.

nykyään tämä tekoälyyn perustuva oppimismenetelmä on käynyt läpi useiden tuotesukupolvien, kuten tpu v5e:n, tpu v5p:n ja trilliumin, testin, ja se on saavuttanut merkittäviä tuloksia googlessa. vielä merkittävämpää on, että google deepmind -tiimi julkaisi äskettäin naturessa tämän menetelmän liitteen, jossa käsitellään yksityiskohtaisemmin sen kauaskantoisia vaikutuksia sirusuunnittelun alalla. samaan aikaan,google avasi myös tarkistuspisteen, joka perustui 20 tpu-moduulin esikoulutukseen, jakoi mallipainot ja antoi sille nimen alphachip.

alphachipin tulo ei ainoastaan ​​osoita, että tekoälyä käytetään laajemmin sirusuunnittelun alalla, vaan se merkitsee myös sitä, että olemme siirtymässä uuteen "sirupohjaisen suunnittelun" aikakauteen.

alphachip: kuinka google deepmind käyttää tekoälyä mullistaakseen sirusuunnittelun

googlen deepmindin huippuna alphachip kiinnittää maailmanlaajuisen teknologiayhteisön huomion vallankumouksellisella edistymisellään sirusuunnittelussa.

sirusuunnittelu on modernin tekniikan huippua. sen monimutkaisuus piilee lukemattomien tarkkuuskomponenttien nerokkaassa yhdistämisessä erittäin hienojen johtojen avulla. alphachip on yksi ensimmäisistä vahvistusoppimistekniikoista, joita käytetään ratkaisemaan todellisia teknisiä ongelmia, ja se pystyy suorittamaan ihmisiin verrattavia tai parempia siruasettelumalleja vain muutamassa tunnissa viikkojen tai kuukausien manuaalisen työn sijaan. tämä käänteentekevä kehitys on avannut oven mielikuvituksellemme perinteisten rajojen yli.

joten miten alphachip tarkalleen ottaen saavuttaa tämän saavutuksen?

alphachipin salaisuus on sen lähestymistapa vahvistusoppimiseen, joka käsittelee sirujen asettelusuunnittelua pelinä. alkaen tyhjästä ruudukosta alphachip sijoittaa vähitellen jokaisen piirikomponentin, kunnes kaikki on paikoillaan. myöhemmin järjestelmä antaa vastaavat palkinnot asettelun laadun perusteella.

vielä tärkeämpää on, että google ehdotti innovatiivisesti "reunapohjaista" graafisen hermoverkkoa.tämän ansiosta alphachip oppii sirun komponenttien väliset keskinäiset suhteet ja soveltaa niitä koko sirun suunnitteluun, jolloin saavutetaan itsensä ylittäminen jokaisessa suunnittelussa. alphagon tapaan alphachip voi oppia "pelien" kautta ja hallitsee erinomaisten siruasettelujen suunnittelun.

erityisessä tpu-asettelun suunnitteluprosessissa alphachip suorittaa ensin esikoulutuksen aiempien sukupolvien sirujen erilaisille moduuleille, mukaan lukien sirun sisäiset ja sirujen väliset verkkomoduulit, muistiohjaimet ja tiedonsiirtopuskurit. tämä esikoulutusvaihe tarjoaa alphachipille runsaasti kokemusta. google käytti sitten alphachipiä luodakseen korkealaatuisia asetteluja nykyisille tpu-moduuleille.

perinteisistä menetelmistä poiketen alphachip optimoi itseään jatkuvasti ratkaisemalla enemmän sirujen asettelutehtäviä, aivan kuten ihmisasiantuntijat jatkavat taitojensa parantamista harjoittelemalla. kuten deepmindin perustaja ja toimitusjohtaja demis hassabis sanoi,google on rakentanut tehokkaan palautesilmukan alphachipin ympärille:

* kouluta ensin edistynyt sirusuunnittelumalli (alphachip)

* toiseksi, käytä alphachipiä parempien ai-sirujen suunnitteluun

* käytä sitten näitä ai-siruja parempien mallien kouluttamiseen

* lopuksi käytä näitä malleja parempien sirujen suunnitteluun

toistuvasti mallia ja ai-sirua päivitetään samanaikaisesti, demis hassabis sanoi: "tämä on osa syytä, miksi googlen tpu-pino toimii niin hyvin."

alphachip ei ainoastaan ​​sijoita enemmän moduuleja kuin ihmisasiantuntijat, vaan sillä on myös huomattavasti vähemmän johdotuksen pituutta.jokaisen uuden sukupolven tpu:n käyttöönoton myötä alphachip suunnittelee paremmat siruasettelut ja tarjoaa kattavamman pohjapiirroksen, mikä lyhentää suunnittelusykliä ja parantaa sirun suorituskykyä.

alphachip-suunnittelupiirilohkojen määrä ja keskimääräinen linjan pituuden lyhennys googlen kolmen sukupolven tpu:ssa (v5e, tpu v5p)

google tpu:n 10-vuotinen matka: asic:n sinnikkyydestä tekoälysuunnittelun innovaatioihin

tutkijana ja edelläkävijänä tpu:n alalla ja googlen kehityshistoriaa tässä teknologialinjassa tarkasteltuna se ei ainoastaan ​​luota tarkkaavaiseen näkemykseensä, vaan osoittaa myös poikkeuksellisen rohkeutensa.

kuten kaikki tiedämme, 1980-luvullaasic (application specific integrated circuit) -piirille on ominaista korkea kustannustehokkuus, vahva prosessointiteho ja nopea nopeus.se on saanut laajan suosion markkinoilta. asic-toiminnallisuuden määrittävät kuitenkin mukautetut maskityökalut, mikä tarkoittaa, että asiakkaiden on maksettava kalliita ennakkoon kertaluonteisia suunnittelukustannuksia (nre).

tähän aikaan,fpga:n (field programmable gate array) etuna on, että se pienentää etukäteiskustannuksia ja pienentää mukautetun digitaalisen logiikan riskiä.julkisuuteen tulo, vaikka se ei ole suorituskyvyltään täysin ylivoimainen, se on ainutlaatuinen markkinoilla.

tuolloin teollisuus ennusti yleisesti, että mooren laki ohjaisi fpga-suorituskykyä asic-laitteiden tarpeita pidemmälle. mutta osoittautuu, että fpga, ohjelmoitava "universaalisiru", toimii hyvin tutkimus- ja pienivolyymituotteissa ja voi saavuttaa parempia nopeus-, virrankulutus- tai kustannusindikaattoreita kuin gpu, mutta se ei silti pääse eroon "universaalisuudesta ja". optimaalisuutta ei voida saavuttaa samanaikaisesti." kun fpga:t tasoittivat tietä erikoistuneelle arkkitehtuurille, ne väistyivät erikoistuneemmille asic:ille.

2000-luvulle tulleen ai-teknologian villitys on kasvanut ja lisääntynyt ovat tulleet tehottomiksi monissa monimutkaisissa tehtävissä. tätä taustaa vasten google teki rohkean päätöksen vuonna 2013,valitse asic rakentaaksesi tpu-infrastruktuuria ja kehittääksesi tensorflown ja jaxin ympärille.

on syytä huomata, että asic:n riippumaton tutkimus ja kehitys on prosessi, jossa on pitkä sykli, suuret investoinnit, korkea kynnys ja suuri riski. väärän suunnan valitseminen voi johtaa valtaviin taloudellisiin menetyksiin. kustannustehokkaampien ja energiaa säästävien koneoppimisratkaisujen tutkimiseksi google saavutti läpimurtoa kuvantunnistuksessa syväoppimisen avulla vuonna 2012, mutta aloitti välittömästi tpuv1:n kehittämisen vuonna 2013 ja julkisti ensimmäisen sukupolven vuonna 2015. tpu siru (tpu v1) on online-tilassa sisäisesti,tämä merkitsee maailman ensimmäisen erityisesti tekoälyä varten suunnitellun kiihdytin syntymää.

onneksi tpu avasi pian korkean profiilin esittelymahdollisuuden – maaliskuussa 2016 alphago lee voitti menestyksekkäästi go-maailmanmestarin lee sedolin. se toimii alphago-sarjan toisen sukupolven versiona, ja se kuluttaa 50 tpu:ta .

tpu ei kuitenkaan heti saavuttanut laajamittaista menestystä teollisuudessa vasta alphachip-sirun asettelumenetelmää ehdotettiin tpu todella uuteen kehitysvaiheeseen.

google tpu:n kehityshistoria

vuonna 2020 google esitteli alphachipin kyvyt esipainetussa paperissa "chip placement with deep reforcement learning".se pystyy oppimaan aikaisemmista kokemuksista ja kehittymään jatkuvasti, ja se voi luoda runsaita ominaisuuksien upotuksia tuloverkkolistoille suunnittelemalla palkitsevan hermoarkkitehtuurin, joka voi ennustaa tarkasti erilaisia ​​verkkolistoja ja niiden asetteluja.

alphachip pitää suorituskyvyn optimoinnin ehtoja pelin voittoehtoina, ottaa käyttöön vahvistusoppimismenetelmiä ja optimoi jatkuvasti sirujen asettelukykyä kouluttamalla agenttia kumulatiivisten palkkioiden maksimoimiseksi. he aloittivat 10 000 peliä, mikä antoi tekoälylle mahdollisuuden harjoitella asettelua ja reititystä 10 000 sirulla ja kerätä tietoja samalla, kun he oppivat ja optimoivat jatkuvasti.

lopulta he havaitsivat, että tekoäly ylitti tai vastasi manuaalista asettelua pinta-alan, tehon ja johdon pituuden suhteen verrattuna insinööreihin, mutta vei huomattavasti vähemmän aikaa suunnittelustandardien täyttämiseen. tulokset osoittavat senalphachip voi luoda asetteluja, jotka kilpailevat tai ylittävät manuaalisen ponnistuksen nykyaikaisilla kiihdytinverkkolistoilla alle kuudessa tunnissa.samoissa olosuhteissa olemassa olevilla ihmisasiantuntijoilla voi kestää useita viikkoja saman työn suorittamiseen.

alphachipin avulla google luottaa yhä enemmän tpu:han.joulukuuta 2023google on julkaissut 3 eri versiota geministä, monimuotoisesta yleisestä suuresta mallista. tämän mallin koulutuksessa käytetään laajasti cloud tpu v5p -sirua.toukokuu 2024,google on julkaissut kuudennen sukupolven tpu-sirun trillium, joka voidaan laajentaa jopa 256 tpu:n klusteriksi yhdessä suuren kaistanleveyden ja matalan latenssin kotelossa .

samaan aikaan tpu-sirut ovat vähitellen siirtyneet googlen ulkopuolelle ja saavuttaneet laajempaa tunnettuutta markkinoilla.30. heinäkuuta 2024julkaisemassaan tutkimuspaperissa apple väitti, että se valitsi googlelta kaksi tensorikäsittelyyksikkö (tpu) -pilviklusteria harjoittaessaan tekoälymallia afm apple intelligence -ekosysteemissä. muut tiedot osoittavat, että yli 60 % generatiivisista tekoälyyrityksistä ja lähes 90 % generatiivisista tekoälyyksisarvisista käyttää google cloudin ai-infrastruktuuria ja cloud tpu -palveluita.

on olemassa useita merkkejä siitä, että googlen kymmenen vuoden teroittamisen jälkeen tpu on päässyt pois viljelyjaksosta ja alkanut ruokkia googlea takaisin tekoälyn aikakaudella erinomaisella laitteistosuorituskyvyllään.alphachipin sisältämä "ai design ai chip" -polku avaa myös uusia näköaloja sirusuunnittelun alalla.

tekoäly mullistaa sirusuunnittelun: google alphachipistä koko prosessin automatisoinnin tutkimiseen

vaikka alphachip on ainutlaatuinen tekoälyn suunnittelemien sirujen alalla, se ei ole yksin.tekoälyteknologian ulottuvuutta on laajennettu laajalti moniin keskeisiin linkkeihin, kuten sirujen todentamiseen ja testaukseen.

sirusuunnittelun ydintehtävä on optimoida sirun virrankulutus (power), suorituskyky (performance) ja pinta-ala (area). näitä kolmea avainindikaattoria kutsutaan yhdessä nimellä ppa. perinteisesti tämä tehtävä suoritetaan eda-työkaluilla, mutta optimaalisen suorituskyvyn saavuttamiseksi siruinsinöörien on jatkuvasti tehtävä manuaalisia säätöjä ja sitten luovutettava se eda-työkaluille uudelleen optimointia varten ja niin edelleen. tämä prosessi on kuin huonekalujen järjestämistä kotona, jatkuvasti tilankäytön maksimoimista ja kierron optimointia, mutta jokainen säätö vastaa huonekalujen siirtämistä ja uudelleenjärjestelyä, mikä on äärimmäisen aikaa vievää ja työlästä.

tämän ongelman ratkaisemiseksisynopsys julkaisi dso.ai:n vuonna 2020.tämä on alan ensimmäinen sirusuunnitteluratkaisu, joka yhdistää tekoälyn ja eda:n. dso.ai käyttää vahvistusoppimistekniikkaa etsiäkseen automaattisesti suunnittelutilaa tekoälyn avulla löytääkseen parhaan tasapainopisteen ilman manuaalista puuttumista. tätä työkalua ovat käyttäneet monet sirujättiläiset.

esimerkiksi dso.ai:n käytön jälkeen microsoft vähensi sirumoduulien virrankulutusta 10–15 % säilyttäen samalla suorituskyvyn 5 %:lla. synopsys-tiedot osoittavat, että dso.ai on auttanut menestyksekkäästi yli 300:aa kaupallista nauhalähtöä, mikä on osoitus tekoälyn tärkeästä roolista todellisessa sirusuunnittelussa ja -tuotannossa.

synopsysin julkaisemassa teknisessä raportissa korostettiin myös tekoälyavusteisen sirun todentamisen osalta, että varmennusprosessi vie jopa 70 % koko sirun kehityssyklistä. sirunauhan poiston hinta on jopa satoja miljoonia dollareita, ja nykyaikaisten sirujen monimutkaisuus kasvaa jatkuvasti, mikä tekee tarkistamisesta vaikeaa. tähän tarkoitukseen,synopsys julkaisee vso.ai-työkalun,käytä tekoälyä optimoidaksesi varmennustilan ja nopeuttaaksesi kattavuuden lähentymistä.

vso.ai voi päätellä erilaisia ​​kattavuustyyppejä, jotka täydentävät perinteistä koodikattavuutta, ja tekoäly voi myös oppia varmennuskokemuksesta kattavuustavoitteiden jatkuvassa optimoinnissa. lisäksi synopsys on lanseerannut myös tso.ai-työkalun, joka voi auttaa sirukehittäjiä seulomaan valimoiden valmistamat vialliset sirut.

tekoälyn syvä osallistuminen sirusuunnitteluun on synnyttänyt rohkean idean: voimmeko käyttää tekoälyä suunnitellaksesi täydellisen sirun? itse asiassa nvidia on jo yrittänyt tällä alalla. suunnittele piirejä syvästi vahvistavien oppimisagenttien avulla,lähes 13 000 piiriä nvidian h100:ssa on tekoälyn suunnittelema. kiinan tiedeakatemian tietojenkäsittelytekniikan instituutti käytti myös tekoälyä luodakseen risc-v-prosessorisirun nimeltä "qiu meng no. 1" 5 tunnin sisällä.4 miljoonalla logiikkaportilla sen suorituskyky on verrattavissa intel 80486:een.

kaiken kaikkiaan tekoälyn kyky suunnitella täydellisiä siruja on edelleen rajallinen, mutta tämä on epäilemättä tärkeä mahdollisuus tulevalle sirujen kehitykselle. teknologian jatkuvan kehittymisen myötä tekoälyn potentiaalia sirusuunnittelun alalla tutkitaan ja hyödynnetään varmasti edelleen, mikä muuttaa viime kädessä koko sirusuunnitteluprosessin.

kirjailija: tian xiaoyao