«Nvidia заявляет, что стремится внедрить искусственный интеллект на каждом этапе процесса проектирования чипов, что значительно сокращает время разработки. Примечательно, что компания сообщила, что портирование библиотеки стандартных ячеек — задача, на которую ранее у восьми инженеров уходило 10 месяцев, — теперь может быть выполнено за одну ночь с помощью одного графического процессора. Однако главный научный сотрудник компании Уильям Далли заявляет, что искусственный интеллект все еще далек от того, чтобы проектировать процессор полностью самостоятельно». «Мы стараемся использовать ИИ везде, где это возможно, в нашем процессе проектирования», — рассказал Далли Джеффу Дину из Google. «Мне бы хотелось иметь сквозной этап, когда я мог бы просто сказать: „спроектируй мне новый графический процессор“, но я думаю, что до этого нам еще далеко». По словам Далли, Nvidia уже использует ИИ на различных этапах проектирования чипов, от оптимизации на уровне схем до исследования на системном уровне, достигая многократного повышения производительности и, в некоторых случаях, результатов, превосходящих человеческие. На самом низком уровне ИИ уже трансформировал разработку стандартных ячеек — один из самых трудоемких шагов при переходе к новому технологическому процессу. Портирование библиотеки стандартных ячеек, состоящей примерно из 2500–3000 ячеек, ранее требовало работы команды из восьми инженеров в течение примерно 10 месяцев, по данным Далли. Nvidia заменила эту работу системой обучения с подкреплением под названием NB-Cell, которая теперь может выполнять ту же задачу за ночь на одном графическом процессоре. На более высоком уровне Nvidia разработала внутренние большие языковые модели — Chip Nemo и Bug Nemo — обученные на проприетарной документации по архитектуре, охватывающей все когда-либо разработанные Nvidia графические процессоры. Эти большие языковые модели могут выступать в роли инженерных помощников, объясняя младшим разработчикам, как работают сложные аппаратные блоки. В результате Nvidia больше не нужно беспокоить старших инженеров по вопросам, которые могут быть решены с помощью больших языковых моделей. «У нас была серия больших языковых моделей, которые мы назвали Chip Nemo и Bug Nemo. Мы взяли общую большую языковую модель, а затем дообучили ее, скормив ей все проектные документы, являющиеся собственностью Nvidia», — сказал Далли. «Так что это то, что нельзя получить за пределами компании: это вся RTL, документация по аппаратному проектированию, вся RTL каждого графического процессора, когда-либо разработанного в Nvidia, все архитектурные спецификации для них. Теперь у вас есть эта большая языковая модель, которая действительно умна в проектировании графических процессоров. […] Когда у вас есть младший разработчик, он может спросить Chip Nemo, и Chip Nemo объяснит [как работают графические процессоры]. Это повышает производительность таким образом; это очень терпеливый наставник». Помимо библиотек ячеек и инженерной помощи, Nvidia применяет обучение с подкреплением к классическим задачам проектирования схем. Например, система на основе обучения с подкреплением исследует варианты дизайна методом проб и ошибок, и этот подход помогает создавать схемы чипов, которые превосходят человеческие результаты по площади, энергопотреблению и производительности быстрее, чем это могут сделать люди. «Она выдает совершенно причудливые дизайны, которые ни один человек никогда бы не придумал, но они на 20% или 30% лучше, чем человеческие дизайны», — сказал Далли. Помимо использования ИИ для размещения и трассировки, Nvidia также использует ИИ для исследования архитектурных решений. В частности, агентные системы Nvidia проводят большое количество экспериментов, оценивают различные направления дизайна и сужают круг жизнеспособных конфигураций. Это значительно ускоряет принятие решений на ранних этапах цикла разработки чипов, когда инженеры должны выбирать между различными архитектурными компромиссами. И наконец, Nvidia использует ИИ для верификации дизайна — одного из самых длительных этапов в цикле разработки чипов. Тем не менее, ИИ все еще не может нести ответственность за весь процесс верификации, поэтому Nvidia должна эмулировать свои дизайны и проводить фактические эксперименты, чтобы убедиться, что все работает правильно. «Мы хотели бы сжать это пространство, где самой долгой частью является верификация дизайна», — сказал Далли. «Мы особенно смотрим на то, как мы можем использовать ИИ, чтобы быстрее доказать работоспособность дизайнов». В долгосрочной перспективе главный научный сотрудник Nvidia предполагает, что разработка чипов перейдет к многоагентной модели, в которой специализированные системы ИИ будут обрабатывать различные части дизайна, подобно тому, как это делают сегодня человеческие команды. Пока же ИИ служит для сокращения времени разработки путем помощи инженерам и повышения качества дизайна до уровней, недостижимых для человека, что, в свою очередь, позволяет инженерам исследовать больше вариантов дизайна, чем раньше.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Anton Shilov
