νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

πρόσφατα, η google deepmind ανακοίνωσε επίσημα τον πιο πρόσφατο αλγόριθμο σχεδιασμού τσιπ alphachip on nature αυτή η μέθοδος είναι αφιερωμένη στην επιτάχυνση και τη βελτιστοποίηση της ανάπτυξης τσιπ υπολογιστών. έχει δοκιμαστεί από πολλά προϊόντα tpu και μπορεί να ολοκληρώσει τις εργασίες που απαιτούνται από τους ειδικούς εβδομάδες ή και μήνες σχεδίασης διάταξης τσιπ.

το 2020, η google δημοσίευσε ένα έγγραφο προτύπων ορόσημο "τοποθέτηση τσιπ με εκμάθηση βαθιάς ενίσχυσης", δείχνοντας για πρώτη φορά στον κόσμο τη διάταξη των τσιπ που σχεδιάστηκε χρησιμοποιώντας μια νέα μέθοδο ενισχυτικής εκμάθησης.αυτή η καινοτομία επιτρέπει στην google να εισάγει την τεχνητή νοημοσύνη στη σχεδίαση τσιπ tpu, επιτυγχάνοντας μια διάταξη τσιπ που ξεπερνά τους ανθρώπους σχεδιαστές.

μέχρι το 2022, η google δημιούργησε περαιτέρω ανοιχτό κώδικα τον αλγόριθμο που περιγράφεται στο έγγραφο, επιτρέποντας σε ερευνητές σε όλο τον κόσμο να χρησιμοποιήσουν αυτόν τον πόρο για την προ-εκπαίδευση μπλοκ τσιπ.

σήμερα, αυτή η μέθοδος εκμάθησης που βασίζεται στην τεχνητή νοημοσύνη έχει περάσει από τη δοκιμή πολλών γενεών προϊόντων όπως τα tpu v5e, tpu v5p και trillium, και έχει επιτύχει αξιοσημείωτα αποτελέσματα εντός της google. αυτό που είναι ακόμα πιο αξιοσημείωτο είναι ότι η ομάδα του google deepmind δημοσίευσε πρόσφατα ένα παράρτημα αυτής της μεθόδου στο nature, περιγράφοντας λεπτομερέστερα τον εκτεταμένο αντίκτυπό της στον τομέα του σχεδιασμού τσιπ. συγχρόνως,η google άνοιξε επίσης ένα σημείο ελέγχου βασισμένο στην προεκπαίδευση 20 μονάδων tpu, μοιράστηκε βάρη μοντέλων και το ονόμασε alphachip.

η έλευση του alphachip όχι μόνο προαναγγέλλει ότι η τεχνητή νοημοσύνη θα χρησιμοποιηθεί ευρύτερα στον τομέα του σχεδιασμού τσιπ, αλλά επίσης σηματοδοτεί ότι εισερχόμαστε σε μια νέα εποχή «σχεδιασμού που βασίζεται σε τσιπ».

alphachip: πώς το google deepmind χρησιμοποιεί την τεχνητή νοημοσύνη για να φέρει επανάσταση στο σχεδιασμό των chip

ως το απόγειο του deepmind της google, το alphachip προσελκύει την προσοχή της παγκόσμιας τεχνολογικής κοινότητας με την επαναστατική του πρόοδο στον σχεδιασμό τσιπ.

ο σχεδιασμός τσιπ είναι ένα πεδίο στο αποκορύφωμα της σύγχρονης τεχνολογίας η πολυπλοκότητά του έγκειται στην έξυπνη σύνδεση αμέτρητων εξαρτημάτων ακριβείας μέσω εξαιρετικά λεπτών καλωδίων. ως μία από τις πρώτες τεχνικές ενισχυτικής εκμάθησης που εφαρμόστηκε για την επίλυση πραγματικών προβλημάτων μηχανικής, το alphachip είναι σε θέση να ολοκληρώσει σχέδια διάταξης chip που είναι συγκρίσιμα ή καλύτερα από τους ανθρώπους σε λίγες μόνο ώρες, αντί για εβδομάδες ή μήνες χειρωνακτικής εργασίας. αυτή η εξέλιξη της εποχής άνοιξε την πόρτα στη φαντασία μας πέρα ​​από τα παραδοσιακά όρια.

λοιπόν, πώς ακριβώς το alphachip επιτυγχάνει αυτό το κατόρθωμα;

το μυστικό του alphachip είναι η προσέγγισή του στην ενισχυτική μάθηση, η οποία αντιμετωπίζει τη σχεδίαση διάταξης τσιπ ως παιχνίδι. ξεκινώντας με ένα κενό πλέγμα, το alphachip τοποθετεί σταδιακά κάθε εξάρτημα κυκλώματος μέχρι να είναι όλα στη θέση τους. στη συνέχεια, με βάση την ποιότητα της διάταξης, το σύστημα θα δώσει τις αντίστοιχες ανταμοιβές.

το πιο σημαντικό, η google πρότεινε με καινοτόμο τρόπο ένα νευρωνικό δίκτυο γραφημάτων «βασισμένο σε άκρα».αυτό δίνει τη δυνατότητα στο alphachip να μάθει τις αμοιβαίες σχέσεις μεταξύ των στοιχείων του τσιπ και να τις εφαρμόσει στο σχεδιασμό ολόκληρου του τσιπ, επιτυγχάνοντας έτσι την αυτο-υπέρβαση σε κάθε σχέδιο. παρόμοια με το alphago, το alphachip μπορεί να μάθει μέσα από «παιχνίδια» και να κυριαρχήσει στην τέχνη του σχεδιασμού εξαιρετικών διατάξεων chip.

στη συγκεκριμένη διαδικασία σχεδιασμού της διάταξης tpu, το alphachip θα πραγματοποιήσει πρώτα προεκπαίδευση σε διάφορες μονάδες προηγούμενων γενεών τσιπ, συμπεριλαμβανομένων μονάδων δικτύου εντός και ενδιάμεσου τσιπ, ελεγκτών μνήμης και buffer μετάδοσης δεδομένων. αυτή η φάση προεκπαίδευσης παρέχει στο alphachip μια πλούσια εμπειρία. στη συνέχεια, η google χρησιμοποίησε το alphachip για να δημιουργήσει διατάξεις υψηλής ποιότητας για τις τρέχουσες μονάδες tpu.

σε αντίθεση με τις παραδοσιακές μεθόδους, το alphachip βελτιστοποιεί συνεχώς τον εαυτό του λύνοντας περισσότερες εργασίες διάταξης chip, όπως ακριβώς οι ειδικοί συνεχίζουν να βελτιώνουν τις δεξιότητές τους μέσω της εξάσκησης. όπως είπε ο συνιδρυτής και διευθύνων σύμβουλος της deepmind, ντέμης χασάμπης,η google έχει δημιουργήσει έναν ισχυρό βρόχο σχολίων γύρω από το alphachip:

* αρχικά, εκπαιδεύστε ένα προηγμένο μοντέλο σχεδίασης τσιπ (alphachip)

* δεύτερον, χρησιμοποιήστε το alphachip για να σχεδιάσετε καλύτερα τσιπ ai

* στη συνέχεια, χρησιμοποιήστε αυτά τα τσιπ ai για να εκπαιδεύσετε καλύτερα μοντέλα

* τέλος, χρησιμοποιήστε αυτά τα μοντέλα για να σχεδιάσετε καλύτερες μάρκες

επανειλημμένα, το μοντέλο και το τσιπ ai αναβαθμίζονται ταυτόχρονα, ο ντέμης χασάμπης είπε, «αυτός είναι ένας λόγος για τον οποίο η στοίβα tpu της google αποδίδει τόσο καλά».

το alphachip όχι μόνο τοποθετεί περισσότερες μονάδες από τους ειδικούς, αλλά έχει επίσης σημαντικά μικρότερο μήκος καλωδίωσης.με την εισαγωγή κάθε νέας γενιάς tpu, το alphachip σχεδιάζει καλύτερες διατάξεις chip και παρέχει μια πιο ολοκληρωμένη συνολική κάτοψη, συντομεύοντας έτσι τον κύκλο σχεδίασης και βελτιώνοντας την απόδοση του chip.

ο αριθμός των μπλοκ τσιπ σχεδιασμού alphachip και η μέση μείωση μήκους γραμμής των τριών γενεών tpu της google (v5e, tpu v5p)

το 10χρονο ταξίδι του google tpu: από την επιμονή στο asic στην καινοτομία στον σχεδιασμό ai

ως εξερευνητής και πρωτοπόρος στον τομέα των tpu, κοιτάζοντας το ιστορικό ανάπτυξης της google σε αυτήν τη γραμμή τεχνολογίας, όχι μόνο βασίζεται στην έντονη διορατικότητά της, αλλά επιδεικνύει και το εξαιρετικό θάρρος της.

όπως όλοι γνωρίζουμε, τη δεκαετία του 1980,το asic (application specific integrated circuit) χαρακτηρίζεται από υψηλή σχέση κόστους-αποτελεσματικότητας, ισχυρή επεξεργαστική ισχύ και γρήγορη ταχύτητα.έχει κερδίσει μεγάλη εύνοια από την αγορά. ωστόσο, η λειτουργικότητα asic καθορίζεται από προσαρμοσμένα εργαλεία μάσκας, πράγμα που σημαίνει ότι οι πελάτες πρέπει να πληρώσουν ακριβά προκαταβολικά έξοδα μη επαναλαμβανόμενης μηχανικής (nre).

αυτή τη στιγμή,το fpga (field programmable gate array) έχει τα πλεονεκτήματα της μείωσης του αρχικού κόστους και της μείωσης του κινδύνου προσαρμοσμένης ψηφιακής λογικής.μπαίνοντας στο κοινό, αν και δεν υπερτερεί απόλυτα σε επιδόσεις, είναι μοναδικό στην αγορά.

εκείνη την εποχή, η βιομηχανία γενικά προέβλεψε ότι ο νόμος του moore θα οδηγούσε την απόδοση του fpga πέρα ​​από τις ανάγκες των asic. αλλά αποδεικνύεται ότι το fpga, ως προγραμματιζόμενο "καθολικό τσιπ", έχει καλή απόδοση σε διερευνητικά και χαμηλού όγκου προϊόντα και μπορεί να επιτύχει καλύτερες δείκτες ταχύτητας, κατανάλωσης ενέργειας ή κόστους από την gpu, αλλά και πάλι δεν μπορεί να απαλλαγεί από την "καθολικότητα". η βελτιστοποίηση δεν μπορεί να επιτευχθεί ταυτόχρονα». μόλις τα fpga άνοιξαν το δρόμο για μια εξειδικευμένη αρχιτεκτονική, έδωσαν τη θέση τους σε πιο εξειδικευμένα asic.

μετά την είσοδο στον 21ο αιώνα, η μανία για την τεχνολογία ai έχει γίνει όλο και μεγαλύτερη και οι αλγόριθμοι βαθιάς μάθησης συνεχίζουν να επαναλαμβάνονται έχουν γίνει ολοένα και πιο αναποτελεσματικές σε πολλές σύνθετες εργασίες. σε αυτό το πλαίσιο, η google πήρε μια τολμηρή απόφαση το 2013,επιλέξτε asic για να δημιουργήσετε υποδομή tpu και να αναπτύξετε γύρω από το tensorflow και το jax.

αξίζει να σημειωθεί ότι η ανεξάρτητη έρευνα και ανάπτυξη της asic είναι μια διαδικασία με μακρύ κύκλο, μεγάλες επενδύσεις, υψηλό κατώφλι και μεγάλο ρίσκο. μόλις επιλεγεί η λάθος κατεύθυνση, μπορεί να οδηγήσει σε τεράστιες οικονομικές απώλειες. ωστόσο, προκειμένου να εξερευνήσει πιο οικονομικά αποδοτικές και εξοικονόμησης ενέργειας λύσεις μηχανικής εκμάθησης, αφού η google σημείωσε σημαντική πρόοδο στην αναγνώριση εικόνων μέσω βαθιάς μάθησης το 2012, άρχισε αμέσως να αναπτύσσει το tpuv1 το 2013 και ανακοίνωσε την πρώτη γενιά το 2015. το tpu το chip (tpu v1) είναι online εσωτερικά,αυτό σηματοδοτεί τη γέννηση του πρώτου επιταχυντή στον κόσμο που σχεδιάστηκε ειδικά για ai.

ευτυχώς, η tpu εγκαινίασε σύντομα μια ευκαιρία επίδειξης υψηλού προφίλ - τον μάρτιο του 2016, η alphago lee νίκησε με επιτυχία τον παγκόσμιο πρωταθλητή go lee sedol ως δεύτερη γενιά της σειράς alphago, εκτελείται στο google cloud .

ωστόσο, η tpu δεν πέτυχε αμέσως μεγάλης κλίμακας επιτυχημένη εφαρμογή στη βιομηχανία μόνο που προτάθηκε η μέθοδος διάταξης τσιπ alphachip που η tpu εισήλθε πραγματικά σε ένα νέο στάδιο ανάπτυξης.

ιστορικό ανάπτυξης google tpu

το 2020, η google έδειξε τις δυνατότητες του alphachip σε ένα προεκτυπωμένο χαρτί "τοποθέτηση chip με εκμάθηση βαθιάς ενίσχυσης".είναι σε θέση να μαθαίνει από την εμπειρία του παρελθόντος και να βελτιώνεται συνεχώς, και μπορεί να δημιουργήσει πλούσιες ενσωματώσεις χαρακτηριστικών για λίστες δικτύων εισόδου, σχεδιάζοντας μια νευρωνική αρχιτεκτονική ανταμοιβής που μπορεί να προβλέψει με ακρίβεια διάφορες λίστες δικτύου και τις διατάξεις τους.

το alphachip θεωρεί τις συνθήκες βελτιστοποίησης απόδοσης ως τις συνθήκες νίκης του παιχνιδιού, υιοθετεί μεθόδους ενίσχυσης εκμάθησης και βελτιστοποιεί συνεχώς την ικανότητα διάταξης τσιπ εκπαιδεύοντας έναν πράκτορα με στόχο τη μεγιστοποίηση των σωρευτικών ανταμοιβών. ξεκίνησαν 10.000 παιχνίδια, επιτρέποντας στο ai να εξασκεί τη διάταξη και τη δρομολόγηση σε 10.000 μάρκες και να συλλέγει δεδομένα, ενώ παράλληλα μαθαίνει και βελτιστοποιεί συνεχώς.

τελικά, διαπίστωσαν ότι η τεχνητή νοημοσύνη ξεπέρασε ή ταίριαζε με τη χειροκίνητη διάταξη όσον αφορά την περιοχή, την ισχύ και το μήκος του καλωδίου σε σύγκριση με τους ανθρώπους μηχανικούς, ενώ χρειαζόταν πολύ λιγότερο χρόνο για να τηρηθούν τα πρότυπα σχεδιασμού. τα αποτελέσματα δείχνουν ότιτο alphachip μπορεί να δημιουργήσει διατάξεις που ανταγωνίζονται ή υπερβαίνουν τις μη αυτόματες προσπάθειες σε σύγχρονες λίστες δικτύου επιταχυντών σε λιγότερο από 6 ώρες.υπό τις ίδιες συνθήκες, οι υφιστάμενοι ειδικοί στον άνθρωπο μπορεί να χρειαστούν αρκετές εβδομάδες για να ολοκληρώσουν την ίδια εργασία.

με τη βοήθεια του alphachip, η google βασίζεται όλο και περισσότερο στο tpu.δεκέμβριος 2023η google κυκλοφόρησε 3 διαφορετικές εκδόσεις του gemini, ενός πολυτροπικού γενικού μεγάλου μοντέλου η εκπαίδευση αυτού του μοντέλου χρησιμοποιεί εκτενώς το τσιπ cloud tpu v5p.μάιος 2024,η google κυκλοφόρησε το τσιπ tpu trillium έκτης γενιάς, το οποίο μπορεί να επεκταθεί σε ένα σύμπλεγμα έως και 256 tpu σε ένα pod υψηλού εύρους ζώνης και χαμηλής καθυστέρησης σε σύγκριση με προηγούμενες γενιές προϊόντων, το trillium έχει ισχυρότερες δυνατότητες προσαρμογής της εκπαίδευσης μοντέλων .

ταυτόχρονα, τα τσιπ tpu ξεπέρασαν σταδιακά την google και κέρδισαν ευρύτερη αναγνώριση στην αγορά.30 ιουλίου 2024σε ένα ερευνητικό έγγραφο που κυκλοφόρησε, η apple ισχυρίστηκε ότι επέλεξε δύο συμπλέγματα σύννεφων μονάδων επεξεργασίας τανυστών (tpu) από την google κατά την εκπαίδευση του μοντέλου τεχνητής νοημοσύνης afm στο οικοσύστημα apple intelligence. άλλα δεδομένα δείχνουν ότι περισσότερο από το 60% των νεοσύστατων επιχειρήσεων τεχνητής νοημοσύνης και σχεδόν το 90% των μονόκερων τεχνητής νοημοσύνης που δημιουργούνται χρησιμοποιούν την υποδομή ai του google cloud και τις υπηρεσίες cloud tpu.

υπάρχουν διάφορα σημάδια ότι αφού η google ακονίζει το σπαθί της για δέκα χρόνια, η tpu έχει βγει από την περίοδο καλλιέργειας και έχει αρχίσει να τροφοδοτεί την google πίσω στην εποχή της ai με την εξαιρετική απόδοση υλικού της.η διαδρομή "ai design ai chip" που περιέχεται στο alphachip ανοίγει επίσης νέους ορίζοντες στον τομέα του σχεδιασμού chip.

η τεχνητή νοημοσύνη φέρνει επανάσταση στον σχεδιασμό των τσιπ: από το google alphachip μέχρι την εξερεύνηση του αυτοματισμού πλήρους διαδικασίας

αν και το alphachip είναι μοναδικό στον τομέα των τσιπ σχεδιασμένων με ai, δεν είναι μόνο.η εμβέλεια της τεχνολογίας ai έχει επεκταθεί ευρέως σε πολλούς βασικούς συνδέσμους, όπως η επαλήθευση και η δοκιμή chip.

το βασικό καθήκον του σχεδιασμού του τσιπ είναι η βελτιστοποίηση της κατανάλωσης ενέργειας (power), της απόδοσης (performance) και της περιοχής (area) του chip. παραδοσιακά, αυτή η εργασία ολοκληρώνεται με εργαλεία eda, αλλά για να επιτευχθεί η βέλτιστη απόδοση, οι μηχανικοί τσιπ πρέπει να κάνουν συνεχώς χειροκίνητες ρυθμίσεις και στη συνέχεια να το παραδίδουν στα εργαλεία eda για βελτιστοποίηση και ούτω καθεξής. αυτή η διαδικασία είναι σαν να τακτοποιείτε τα έπιπλα στο σπίτι, να προσπαθείτε συνεχώς να μεγιστοποιήσετε τη χρήση του χώρου και να βελτιστοποιήσετε την κυκλοφορία, αλλά κάθε προσαρμογή ισοδυναμεί με τη μετακίνηση των επίπλων έξω και την αναδιάταξή τους, κάτι που είναι εξαιρετικά χρονοβόρο και απαιτεί εργασία.

για να λυθεί αυτό το πρόβλημα,η synopsys κυκλοφόρησε το dso.ai το 2020.αυτή είναι η πρώτη λύση σχεδιασμού chip του κλάδου που ενσωματώνει ai και eda. το dso.ai χρησιμοποιεί τεχνολογία ενίσχυσης εκμάθησης για αυτόματη αναζήτηση στο χώρο σχεδιασμού μέσω ai για να βρει το καλύτερο σημείο ισορροπίας χωρίς χειροκίνητη παρέμβαση. αυτό το εργαλείο έχει χρησιμοποιηθεί από πολλούς γίγαντες τσιπ.

για παράδειγμα, μετά τη χρήση του dso.ai, η microsoft μείωσε την κατανάλωση ενέργειας των μονάδων τσιπ κατά 10%-15%, ενώ διατήρησε την ίδια απόδοση η stmicroelectronics αύξησε την απόδοση εξερεύνησης ppa κατά περισσότερο από 3 φορές κατά 5%. τα δεδομένα της synopsys δείχνουν ότι το dso.ai έχει βοηθήσει με επιτυχία περισσότερα από 300 εμπορικά tape-outs, σηματοδοτώντας τον σημαντικό ρόλο που διαδραματίζει η τεχνητή νοημοσύνη στον πραγματικό σχεδιασμό και παραγωγή chip.

όσον αφορά την επαλήθευση τσιπ με τη βοήθεια τεχνητής νοημοσύνης, μια τεχνική έκθεση που κυκλοφόρησε από τη synopsys επισήμανε επίσης ότι η διαδικασία επαλήθευσης καταλαμβάνει έως και το 70% ολόκληρου του κύκλου ανάπτυξης τσιπ. το κόστος μιας ταινίας τσιπ είναι τόσο υψηλό όσο εκατοντάδες εκατομμύρια δολάρια και η πολυπλοκότητα των σύγχρονων τσιπ συνεχίζει να αυξάνεται, καθιστώντας δύσκολη την επαλήθευση. για το σκοπό αυτό,η synopsys λανσάρει το εργαλείο vso.ai,χρησιμοποιήστε τεχνητή νοημοσύνη για να βελτιστοποιήσετε τον χώρο επαλήθευσης και να επιταχύνετε τη σύγκλιση της κάλυψης.

το vso.ai μπορεί να συμπεράνει διαφορετικούς τύπους κάλυψης, συμπληρώνοντας την παραδοσιακή κάλυψη κώδικα μπορεί επίσης να μάθει από την εμπειρία επαλήθευσης για τη συνεχή βελτιστοποίηση των στόχων κάλυψης. επιπλέον, η synopsys κυκλοφόρησε επίσης το εργαλείο tso.ai, το οποίο μπορεί να βοηθήσει τους προγραμματιστές τσιπ να ελέγξουν τα ελαττωματικά τσιπ που κατασκευάζονται από χυτήρια.

η βαθιά εμπλοκή της τεχνητής νοημοσύνης στον τομέα του σχεδιασμού τσιπ έχει πυροδοτήσει μια τολμηρή ιδέα: μπορούμε να χρησιμοποιήσουμε την τεχνητή νοημοσύνη για να σχεδιάσουμε ένα πλήρες τσιπ; μάλιστα, η nvidia έχει ήδη δοκιμάσει σε αυτόν τον τομέα. σχεδιάστε κυκλώματα μέσω πρακτόρων εκμάθησης βαθιάς ενίσχυσης,σχεδόν 13.000 κυκλώματα στο h100 της nvidia σχεδιάστηκαν από την ai. το ινστιτούτο υπολογιστικής τεχνολογίας της κινεζικής ακαδημίας επιστημών χρησιμοποίησε επίσης τεχνητή νοημοσύνη για να δημιουργήσει ένα τσιπ επεξεργαστή risc-v που ονομάζεται "qiu meng no. 1" μέσα σε 5 ώρες.με 4 εκατομμύρια λογικές πύλες, η απόδοσή του είναι συγκρίσιμη με την intel 80486.

συνολικά, η ικανότητα της τεχνητής νοημοσύνης να σχεδιάζει ολοκληρωμένα τσιπ εξακολουθεί να είναι περιορισμένη, αλλά αυτό είναι αναμφίβολα μια σημαντική ευκαιρία για μελλοντική ανάπτυξη τσιπ. με τη συνεχή πρόοδο της τεχνολογίας, οι δυνατότητες της τεχνητής νοημοσύνης στον τομέα του σχεδιασμού τσιπ σίγουρα θα διερευνηθούν και θα χρησιμοποιηθούν περαιτέρω, και τελικά θα αλλάξει ολόκληρη η διαδικασία σχεδιασμού τσιπ.

συγγραφέας: tian xiaoyao