моя контактная информация
почта[email protected]
2024-09-29
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
недавно компания google deepmind официально анонсировала свой новейший алгоритм проектирования чипов alphachip on nature. этот метод предназначен для ускорения и оптимизации разработки компьютерных чипов. он был протестирован на нескольких продуктах tpu и может выполнить задачи, требуемые экспертами, всего за несколько. часы или даже месяцы разработки макета чипа.
в 2020 году google опубликовал знаковый препринт «размещение чипов с глубоким обучением с подкреплением», в котором впервые показал миру макет своего чипа, разработанный с использованием нового метода обучения с подкреплением.это нововведение позволяет google внедрить искусственный интеллект в конструкцию чипов тпу, создавая компоновку чипа, превосходящую возможности дизайнеров-людей.
к 2022 году google выложила в открытый доступ код алгоритма, описанный в статье, что позволит исследователям по всему миру использовать этот ресурс для предварительного обучения блоков микросхем.
сегодня этот метод обучения на основе искусственного интеллекта прошел тестирование нескольких поколений продуктов, таких как tpu v5e, tpu v5p и trillium, и добился замечательных результатов в google. еще более примечательно то, что команда google deepmind недавно опубликовала приложение к этому методу в журнале nature, в котором более подробно описывается его далеко идущее влияние на область проектирования чипов. в то же время,google также открыл контрольную точку, основанную на предварительном обучении 20 модулей tpu, совместном весе моделей и назвал ее alphachip.
появление alphachip не только предвещает, что искусственный интеллект станет более широко использоваться в области проектирования чипов, но и знаменует собой вступление в новую эру «проектирования на основе чипов».
alphachip: как google deepmind использует искусственный интеллект для революции в разработке чипов
alphachip, вершина разработки google deepmind, привлекает внимание мирового технологического сообщества своим революционным прогрессом в разработке чипов.
разработка микросхем — это область, находящаяся на вершине современных технологий. ее сложность заключается в хитроумном соединении бесчисленного количества прецизионных компонентов с помощью чрезвычайно тонких проводов. будучи одним из первых методов обучения с подкреплением, применяемых для решения реальных инженерных задач, alphachip способен создавать макеты микросхем, сравнимые с человеческими или превосходящие их, всего за несколько часов вместо недель или месяцев ручного труда. это эпохальное событие открыло дверь нашему воображению за пределы традиционных ограничений.
итак, как именно alphachip достигает такого результата?
секрет alphachip заключается в подходе к обучению с подкреплением, в котором проектирование компоновки чипов рассматривается как игра. начиная с пустой сетки, alphachip постепенно размещает каждый компонент схемы, пока все не станет на свои места. в дальнейшем, исходя из качества макета, система будет выдавать соответствующие вознаграждения.
что еще более важно, google новаторски предложил нейронную сеть на основе графов.это позволяет alphachip изучать взаимоотношения между компонентами чипа и применять их к конструкции всего чипа, тем самым достигая самопревосходства в каждом проекте. подобно alphago, alphachip может учиться посредством «игр» и овладевать искусством проектирования отличных макетов микросхем.
в конкретном процессе проектирования компоновки тпу alphachip сначала проведет предварительное обучение на различных модулях чипов предыдущих поколений, включая модули внутрикристальной и межкристальной сети, контроллеры памяти и буферы передачи данных. этот этап предварительного обучения дает alphachip богатый опыт. затем google использовал alphachip для создания высококачественных макетов текущих модулей tpu.
в отличие от традиционных методов, alphachip постоянно оптимизирует себя, решая все больше задач по компоновке микросхем, в то время как люди-эксперты продолжают совершенствовать свои навыки на практике. как сказал соучредитель и генеральный директор deepmind демис хассабис:google создал мощную систему обратной связи вокруг alphachip:
* сначала обучите усовершенствованную модель проектирования чипов (alphachip).
* во-вторых, используйте alphachip для разработки лучших чипов искусственного интеллекта.
* затем используйте эти чипы искусственного интеллекта для обучения более эффективных моделей.
* наконец, используйте эти модели для разработки лучших чипов.
неоднократно модель и чип искусственного интеллекта обновляются одновременно. демис хассабис сказал: «это одна из причин, почему стек google tpu работает так хорошо».
alphachip не только размещает больше модулей, чем эксперты-люди, но и имеет значительно меньшую длину проводов.с выпуском каждого нового поколения tpu компания alphachip разрабатывает более совершенную компоновку микросхем и обеспечивает более полную общую планировку, тем самым сокращая цикл проектирования и повышая производительность микросхем.
количество блоков микросхем конструкции alphachip и уменьшение средней длины строки трех поколений tpu google (v5e, tpu v5p)
10-летний путь google tpu: от упорства в asic к инновациям в разработке искусственного интеллекта
будучи исследователем и пионером в области тпу, глядя на историю развития google в этом направлении технологий, он не только полагается на свою проницательность, но и демонстрирует свою необыкновенную смелость.
как мы все знаем, в 1980-е гг.asic (интегральная схема специального назначения) характеризуется высокой экономичностью, высокой вычислительной мощностью и высокой скоростью.он завоевал широкую поддержку на рынке. однако функциональность asic определяется специальными инструментами маски, а это означает, что клиентам необходимо оплатить дорогостоящие единовременные затраты на проектирование (nre).
в это время,fpga (программируемая пользователем вентильная матрица) имеет преимущества, заключающиеся в сокращении первоначальных затрат и снижении рисков, связанных с индивидуальной цифровой логикой.привлекая внимание общественности, хотя он и не полностью превосходит по производительности, он уникален на рынке.
в то время в отрасли в целом предсказывалось, что закон мура приведет к тому, что производительность fpga выйдет за рамки потребностей asic. но оказывается, что fpga, как программируемый «универсальный чип», хорошо проявляет себя в исследовательских и мелкосерийных продуктах и может добиться лучших показателей скорости, энергопотребления или стоимости, чем gpu, но избавиться от «универсальности» все равно не может. оптимальность не может быть достигнута одновременно». как только fpga проложили путь к специализированной архитектуре, они уступили место более специализированным asic.
с наступлением 21-го века увлечение технологиями искусственного интеллекта становится все более и более сильным. алгоритмы машинного обучения и глубокого обучения продолжают расти. спрос в отрасли на высокопроизводительные и маломощные специализированные вычислительные процессоры для искусственного интеллекта увеличился. . становятся все более неэффективными во многих сложных задачах. на этом фоне google принял смелое решение в 2013 году:выберите asic для создания инфраструктуры tpu и разработки на основе tensorflow и jax.
стоит отметить, что независимые исследования и разработки asic — это процесс с длинным циклом, большими инвестициями, высоким порогом и большим риском. если выбрано неправильное направление, это может привести к огромным экономическим потерям. однако, чтобы изучить более экономичные и энергосберегающие решения машинного обучения, после того, как google добился прорывного прогресса в распознавании изображений посредством глубокого обучения в 2012 году, он немедленно начал разработку tpuv1 в 2013 году и анонсировал первое поколение в 2015 году. чип (tpu v1) находится внутри сети,это знаменует собой рождение первого в мире ускорителя, разработанного специально для искусственного интеллекта.
к счастью, tpu вскоре предоставил возможность для громкой демонстрации: в марте 2016 года alphago lee успешно победила чемпиона мира по го ли седоля. будучи версией серии alphago второго поколения, она использует для вычислений 50 tpu. .
однако тпу не сразу получил широкомасштабное успешное применение в промышленности. и только после того, как был предложен метод компоновки кристаллов alphachip, тпу действительно вступил в новый этап развития.
история развития google тпу
в 2020 году google продемонстрировала возможности alphachip в препринте «размещение чипов с глубоким обучением с подкреплением».он способен учиться на прошлом опыте и постоянно совершенствоваться, а также может генерировать богатые встроенные функции для входных списков соединений путем разработки нейронной архитектуры вознаграждения, которая может точно прогнозировать различные списки соединений и их расположение.
alphachip рассматривает условия оптимизации производительности как условия победы в игре, применяет методы обучения с подкреплением и постоянно оптимизирует возможности компоновки чипов, обучая агента с целью максимизации совокупного вознаграждения. они запустили 10 000 игр, что позволило ии практиковаться в компоновке и маршрутизации на 10 000 чипах и собирать данные, одновременно непрерывно обучаясь и оптимизируя.
в конечном итоге они обнаружили, что ии превосходит или соответствует ручной компоновке с точки зрения площади, мощности и длины проводов по сравнению с инженерами-людьми, при этом на соответствие стандартам проектирования требуется значительно меньше времени. результаты показывают, чтоalphachip может создавать макеты, которые конкурируют или превосходят ручные усилия в списках соединений современных ускорителей, менее чем за 6 часов.при тех же условиях существующим специалистам-людям может потребоваться несколько недель, чтобы выполнить ту же работу.
с помощью alphachip google все больше полагается на tpu.декабрь 2023 г.google выпустила 3 различные версии gemini, мультимодальной общей большой модели. в обучении этой модели широко используется чип cloud tpu v5p.май 2024 г.,google выпустила чип tpu шестого поколения trillium, который можно расширить до кластера до 256 tpu в одном модуле с высокой пропускной способностью и малой задержкой. по сравнению с продуктами предыдущих поколений, trillium обладает более широкими возможностями адаптации обучения моделей. .
в то же время чипы tpu постепенно вышли за пределы google и получили более широкое признание на рынке.30 июля 2024 г.в опубликованном исследовательском документе apple заявила, что выбрала два облачных кластера тензорных процессоров (tpu) от google при обучении модели искусственного интеллекта afm в экосистеме apple intelligence. другие данные показывают, что более 60% стартапов в сфере генеративного ии и почти 90% единорогов в области генеративного ии используют инфраструктуру ии google cloud и сервисы cloud tpu.
есть различные признаки того, что после того, как google оттачивал свой меч в течение десяти лет, tpu вышел из периода совершенствования и начал возвращать google в эпоху искусственного интеллекта своей превосходной аппаратной производительностью.путь «разработка ai-чипов», содержащийся в alphachip, также открывает новые горизонты в области проектирования чипов.
искусственный интеллект совершает революцию в проектировании чипов: от google alphachip до полной автоматизации процессов
хотя alphachip уникален в области чипов, разработанных с использованием искусственного интеллекта, он не одинок.область применения технологии искусственного интеллекта широко распространилась на многие ключевые направления, такие как проверка и тестирование чипов.
основная задача проектирования чипа — оптимизировать энергопотребление (мощность), производительность (производительность) и площадь (площадь) чипа. эти три ключевых показателя вместе называются ppa. эту задачу также называют исследованием пространства проектирования. традиционно эту задачу выполняют инструменты eda, но для достижения оптимальной производительности инженерам микросхем приходится постоянно вносить корректировки вручную, а затем снова передавать ее инструментам eda для оптимизации и так далее. этот процесс похож на расстановку мебели дома: постоянные попытки максимально эффективно использовать пространство и оптимизировать циркуляцию, но каждая корректировка эквивалентна перемещению мебели и ее перестановке, что требует чрезвычайно много времени и труда.
чтобы решить эту проблему,synopsys запустила dso.ai в 2020 году.это первое в отрасли решение для проектирования чипов, объединяющее искусственный интеллект и eda. dso.ai использует технологию обучения с подкреплением для автоматического поиска в пространстве дизайна с помощью искусственного интеллекта и поиска наилучшей точки баланса без ручного вмешательства. этот инструмент использовался многими гигантами чипов.
например, после использования dso.ai компания microsoft снизила энергопотребление чип-модулей на 10%-15% при сохранении той же производительности; компания stmicroelectronics увеличила эффективность исследования ppa более чем в 3 раза; гигант по производству чипов памяти sk hynix уменьшил площадь чипа; на 5%. данные synopsys показывают, что dso.ai успешно помогла более чем 300 коммерческим проектам, демонстрируя важную роль, которую ии играет в реальном проектировании и производстве чипов.
что касается проверки чипов с помощью искусственного интеллекта, в техническом отчете, опубликованном synopsys, также отмечается, что процесс проверки занимает до 70% всего цикла разработки чипа. стоимость записи чипа достигает сотен миллионов долларов, а сложность современных чипов продолжает расти, что затрудняет проверку. с этой целью,synopsys запускает инструмент vso.ai,используйте ии для оптимизации пространства проверки и ускорения конвергенции покрытия.
vso.ai может определять различные типы покрытия, дополняя традиционное покрытие кода. ии также может учиться на опыте проверки для постоянной оптимизации целей покрытия. кроме того, synopsys также запустила инструмент tso.ai, который может помочь разработчикам микросхем выявить дефектные чипы, изготовленные литейными предприятиями.
активное участие ии в области проектирования чипов породило смелую идею: можем ли мы использовать ии для разработки полноценного чипа? на самом деле, nvidia уже попробовала себя в этой области. проектируйте схемы с помощью агентов глубокого обучения с подкреплением,около 13 000 схем в nvidia h100 были разработаны искусственным интеллектом. институт вычислительных технологий китайской академии наук также использовал искусственный интеллект для создания процессорного чипа risc-v под названием «цю мэн № 1» за 5 часов.благодаря 4 миллионам логических вентилей его производительность сравнима с intel 80486.
в целом, возможности искусственного интеллекта по созданию полноценных чипов по-прежнему ограничены, но это, несомненно, важная возможность для будущей разработки чипов. благодаря постоянному развитию технологий потенциал искусственного интеллекта в области проектирования чипов, несомненно, будет и дальше изучаться и использоваться, что в конечном итоге изменит весь процесс проектирования чипов.
автор: тянь сяояо