Nvidia быстро запрыгнула на автобус искусственного интеллекта, и многие из ее технологий, ориентированных на потребителя, такие как Deep Learning Super Sampling (DLSS) и шумоподавление с ускорением AI, иллюстрируют это. Тем не менее, она также нашла множество применений ИИ в процессе разработки микросхем и, как сказал главный научный сотрудник Nvidia Билл Далли на конференции GTC, даже при разработке нового оборудования.
Далли описывает несколько вариантов использования ИИ в собственном процессе разработки новейших и лучших графических карт (среди прочего), как отмечает HPC Wire.
«Как эксперты в области ИИ, естественно, что мы хотели бы использовать этот ИИ для разработки более качественных чипов», — говорит Далли.
«Мы делаем это несколькими способами. Первый и наиболее очевидный способ — мы можем использовать существующие инструменты автоматизированного проектирования, которые у нас есть. Например, у нас есть один, который берет карту того, где мощность используется в наших графических процессорах, и предсказывает, насколько сильно падает напряжение в сети — то, что называется IR-падением для тока, умноженного на падение сопротивления. Выполнение этого на обычном инструменте САПР занимает три часа».
«…вместо этого мы хотели бы обучить модель ИИ принимать одни и те же данные; мы проделываем это с кучей дизайнов, а затем можем в основном передать карту мощности. Время вывода составляет всего три секунды. , Конечно, это 18 минут, если включить время на извлечение признаков.
«…мы можем получать очень точные оценки мощности гораздо быстрее, чем с помощью обычных инструментов, и за очень короткое время», — продолжает Далли.
Далли упоминает и другие способы использования ИИ для разработки чипов следующего поколения. Один из них заключается в прогнозировании паразитных элементов, которые по сути являются нежелательными элементами в компонентах или конструкциях, которые могут быть неэффективными или просто приводить к тому, что что-то не работает должным образом. Вместо того, чтобы использовать человеческие часы для их определения, можно сократить количество шагов, необходимых при проектировании схем, заставив это делать ИИ. Что-то вроде цифровой собаки-ищейки-паразита.
Кроме того, Далли объясняет, что искусственный интеллект может помочь в принятии важных решений при разработке компоновки чипов Nvidia. Думайте об этой работе как о том, чтобы избегать пробок с помощью транзисторов, и вы, вероятно, не так уж далеки от этого. У ИИ может быть будущее, поскольку он просто заранее предупреждает дизайнеров о возможных пробках, что может сэкономить кучу времени в долгосрочной перспективе.
Возможно, наиболее интересным из всех вариантов использования, которые объясняет Далли, является автоматизация стандартной миграции ячеек. Хорошо, это не звук все это интересно, но это на самом деле. По сути, это способ автоматизации процесса переноса ячейки, например фундаментального строительного блока компьютерного чипа, на более новый узел процесса.
Так что это похоже на видеоигру Atari, но это видеоигра для исправления ошибок правил проектирования в стандартной ячейке.
Билл Далли, Nvidia
«Поэтому каждый раз, когда мы получаем новую технологию, скажем, мы переходим от технологии с семью нанометрами к технологии с пятью нанометрами, у нас есть библиотека ячеек. Ячейка — это что-то вроде вентиля И и вентиля ИЛИ, полного сумматора. Мы На самом деле у меня есть много тысяч таких ячеек, которые необходимо перепроектировать в соответствии с новой технологией с очень сложным набором правил проектирования», — говорит Далли.
«В основном мы делаем это, используя обучение с подкреплением для размещения транзисторов. Но что еще более важно, после того, как они размещены, обычно возникает куча ошибок в правилах проектирования, и это происходит почти как в видеоигре. На самом деле, это то, что обучение с подкреплением хорошо подходит. Один из замечательных примеров — использование обучения с подкреплением для видеоигр Atari. Так что это похоже на видеоигру Atari, но это видеоигра для исправления ошибок правил проектирования в стандартной ячейке. ошибки правил проектирования с помощью обучения с подкреплением, мы можем в основном завершить проектирование наших стандартных ячеек».
Инструмент, который Nvidia использует для автоматической миграции ячеек, называется NVCell, и, как сообщается, 92% библиотеки ячеек можно перенести с помощью этого инструмента без ошибок. Тогда 12% этих клеток были меньше, чем клетки, разработанные человеком.
«Это делает для нас две вещи. Во-первых, это огромная экономия труда. Группа порядка 10 человек займет большую часть года, чтобы портировать новую технологическую библиотеку. Теперь мы можем сделать это с помощью пары графических процессоров. работает в течение нескольких дней. Затем люди могут работать над теми 8 процентами ячеек, которые не были выполнены автоматически. И во многих случаях мы также получаем лучший дизайн. Так что это экономия труда и лучше, чем человеческий дизайн. .”
Таким образом, Nvidia использует искусственный интеллект, ускоренный собственными графическими процессорами, для ускорения разработки графических процессоров. Ницца. И, конечно же, большинство из этих разработок будут полезны в любой форме производства микросхем, а не только в графических процессорах.
Это разумное использование времени для Nvidia: разработка этих инструментов искусственного интеллекта для собственной разработки не только позволяет ускорить собственные процессы, но и позволяет ей лучше продавать преимущества искусственного интеллекта своим клиентам, которым она предоставляет графические процессоры для ускорения искусственного интеллекта. . Так что я полагаю, что Nvidia рассматривает это как беспроигрышный сценарий.
Вы можете ознакомиться с полным разговором с Далли на веб-сайте Nvidia, хотя для этого вам нужно будет зарегистрироваться в программе разработчиков Nvidia.
