Исследователи Google DeepMind обнаружили более эффективный и автоматизированный метод проектирования компьютерных чипов с использованием ИИ (искусственного интеллекта).
Для тех, кто торопится:
- В гонке за микросхемами ИИ Google DeepMind использует технологии для разработки специализированных полупроводников;
- Исследовательская лаборатория Alphabet заявила, что хочет ускорить разработку специализированных микросхем;
- Тем не менее, согласно DeepMind, его цель также состоит в том, чтобы сделать дизайн менее зависимым только от инженеров-людей;
- По словам одного эксперта, подход DeepMind открывает «очень интересное» новое направление для решения классической проблемы разработки микросхем.
Alphabet, материнская компания лаборатории, заявила, что благодаря этому новому методу она может улучшить свой собственный специализированный ИИ-чип.
Читать далее:
- Что общего между Оппенгеймером и ИИ? Для Кристофера Нолана все
- Что означает «Бард», название инструмента искусственного интеллекта Google
- Как оптимизировать ваш Интернет с помощью бесплатного DNS от Google
Акцент на создании более быстрых и эффективных чипов возникает по мере того, как полупроводниковые тяжеловесы, например Nvidia и AMD, стремятся обеспечить вычислительную мощность для удовлетворения растущего спроса компаний на возможности генеративного искусственного интеллекта.
Однако гиганты облачных вычислений, такие как Google и Amazon, также разрабатывают свои собственные чипы ИИ и делают ставку на то, что их домашнее оборудование может быть быстрее и дешевле в эксплуатации, чем у конкурентов.
ИА нет Google
(Изображение: kovop/Shutterstock)
Google заявил, что изучает возможность использования своих «последних достижений в области искусственного интеллекта» для улучшения собственных микросхем искусственного интеллекта, называемых Tensor Processing Units или TPU.
ИИ улучшает все, что мы делаем, например композитинг, понимание, кодирование и робототехнику, и то же самое происходит с дизайном оборудования.
Представитель Google
По словам ученого DeepMind Винода Наира, цель использования методов ИИ для лондонской компании DeepMind — сделать вычислительные системы (от сетевых ресурсов до центров обработки данных и чипов) более эффективными и устойчивыми.
«Поскольку общество становится все более и более цифровым, нам нужны все более мощные и специализированные чипы для различных приложений», — добавил он.
лучшие чипсы
(Изображение: dexmac/Pixabay)
Традиционное представление об улучшении производительности микросхем основано на вычислительном понятии, известном как закон Мура, согласно которому примерно каждые два года количество транзисторов на микросхеме удваивается.
Однако некоторые эксперты говорят, что по мере того, как транзисторы достигают своих физических пределов, повышение производительности будет происходить за счет разработки более мелких и специализированных микросхем.
Приложения — например, ChatGPT, дроны и беспилотные автомобили — теперь работают на специализированных чипах, таких как цифровые сигнальные процессоры и популярные графические процессоры Nvidia.
Подход DeepMind, основанный на искусственном интеллекте, над которым компания начала работать около 18 месяцев назад, направлен на улучшение логического синтеза.
Этот этап проектирования микросхемы включает в себя превращение описания поведения схемы в реальную схему.
Компьютерные чипы состоят из миллионов логических схем или «кирпичиков», объясняет Серджио Гуадаррама, старший инженер-программист DeepMind.
Хотя легко вручную оптимизировать некоторые из них, невозможно справиться с миллионами из них, добавил инженер.
Цель (и секрет) Google
(Изображение: YueStock/Shuttertock)
Применяя искусственный интеллект для ускорения проектирования логических схем, DeepMind стремится сделать разработку специализированных микросхем более автоматизированной, эффективной и менее зависимой исключительно от работы инженеров по аппаратному обеспечению.
По словам Гуадаррама, это разница в тысячи дизайнов, созданных искусственным интеллектом за неделю, по сравнению с дизайном, созданным человеком за несколько недель.
Ключом к успеху DeepMind является использование глубокого обучения, метода классификации шаблонов с использованием больших наборов обучающих данных и нейронных сетей ИИ.
Другими словами, это способ для машин учиться на слабо смоделированных данных так же, как человеческий мозг учится решать проблемы.
Лаборатория искусственного интеллекта применила ту же технику к биологии, кульминацией которой стало объявление в 2022 году о том, что ее алгоритм AlphaFold предсказал структуру почти каждого известного белка.
Для разработки чипа DeepMind использовала подход, который она называет «нейронными сетями схемы», позволяя исследователям «формировать проблему так, чтобы она выглядела так, как будто мы обучаем нейронную сеть, но на самом деле мы разрабатываем схему», — сказал Наир.
Полученные результаты
(Изображение: ArtificialOG/Pixabay)
В июне подход DeepMind выиграл соревнование по программированию, направленное на разработку меньших схем со значительным отрывом.
Прыжок продемонстрировал повышение эффективности на 27% по сравнению с победителем 2022 года и повышение эффективности на 40% по сравнению с занявшим второе место в 2023 году, сказал Алан Мищенко, исследователь из Калифорнийского университета и организатор соревнований.
По словам Мищенко, результаты команды DeepMind стали своего рода «моментом озарения», указывающим на то, что в области логического синтеза есть куда больше прогресса.
Его исследования сосредоточены на вычислительно эффективном логическом синтезе. Мищенко сказал, что, как и в случае с другими научными открытиями, вполне вероятно, что в течение нескольких лет исследователи и ученые будут использовать результаты DeepMind для продвижения вперед в этой области.
Дэвид Пэн, профессор электротехники и вычислительной техники Техасского университета в Остине и консультант X, компании Alphabet, сказал, что, хотя и существуют инструменты автоматизации проектирования, которые ускоряют и помогают на этом этапе проектирования микросхем, эти инструменты все еще далеки от идеала.
По его словам, результаты DeepMind, хотя и сосредоточены только на одном небольшом аспекте дизайна чипа, являются ключевым шагом во всем процессе создания чипа.
Подход глубокого обучения DeepMind к логическому синтезу открывает очень интересное новое направление для решения классической проблемы логического синтеза. Улучшения являются общими для всех чипов, будь то специализированные ASIC, процессоры или графические процессоры.
Дэвид Пэн, профессор электротехники и вычислительной техники Техасского университета.
По информации The Wall Street Journal
Вы смотрели наши новые видео на YouTube? Подписывайтесь на наш канал!
Сообщение В гонке за ИИ-чипами Google раскрывает ценный секрет, впервые появившийся в Olhar Digital.