Omul de știință Nvidia a vorbit recent despre modul în care echipele sale de cercetare și dezvoltare folosesc GPU-uri pentru a accelera și îmbunătăți proiectarea noilor GPU. Patru procese complexe și în mod tradițional lente au fost deja reglate prin valorificarea tehnicilor de învățare automată (ML) și inteligență artificială (AI). Într-un exemplu, utilizarea inferenței accelerate AI/ML poate accelera o sarcină iterativă comună de proiectare a GPU de la trei ore la trei secunde.
Bill Dally este om de știință șef și SVP pentru cercetare la Nvidia. HPC Wire a creat o versiune condensată a unei discuții pe care Dally a împărtășit-o la recenta conferință GTC, în care discută despre dezvoltarea și utilizarea instrumentelor AI pentru îmbunătățirea și accelerarea designului GPU. Dally supraveghează aproximativ 300 de oameni, iar acești oameni deștepți lucrează în general în grupurile de cercetare prezentate mai jos.
În discursul său, Dally a subliniat patru domenii semnificative ale designului GPU în care AI/ML poate fi valorificat cu mare efect: cartografierea căderii de tensiune, prezicerea paraziților, provocările legate de locație și rutare și automatizarea migrării celulelor standard. Să aruncăm o privire la fiecare proces și la modul în care instrumentele AI ajută Nvidia R&D să lucreze cu creierul în loc să aștepte ca computerele să-și facă treaba.
Cartografierea căderii de tensiune arată designerilor unde este utilizată puterea în noile modele de GPU. Folosirea unui instrument CAD convențional vă va ajuta să calculați aceste cifre în aproximativ trei ore, spune Dally. Cu toate acestea, odată antrenat, instrumentul AI al Nvidia poate reduce acest proces la trei secunde. O astfel de reducere a timpului de procesare ajută foarte mult la un proces ca acesta, care este de natură iterativă. Procesul, așa cum este, oferă o precizie de 94%, care este compromisul pentru creșterea uriașă a vitezei iterative.
Prezicerea paraziților folosind AI este deosebit de plăcută pentru Dally. El spune că a petrecut destul de mult timp ca proiectant de circuite și că acest nou model AI reduce un proces îndelungat, multi-personal și cu competențe multiple. Din nou, eroarea de simulare este rezonabil de scăzută, la <10% în acest caz. Reducerea acestor procese iterative îndelungate în mod tradițional poate elibera un designer de circuite să fie mai creativ sau mai aventuros.
Provocările privind locația și traseul sunt importante pentru proiectarea cipurilor, deoarece sunt ca și planificarea drumurilor printr-o conurbație aglomerată. Înțelegerea greșit va duce la blocaje de trafic (de date), necesitând redirecționarea sau replanificarea layout-urilor pentru eficiență. Utilizarea rețelelor neuronale grafice (GNN) pentru a analiza această problemă în proiectarea cipurilor ajută la evidențierea zonelor de îngrijorare și acționează asupra problemelor în mod inteligent.
În cele din urmă, automatizarea migrării celulelor standard folosind AI este un alt instrument foarte util în setul de instrumente de proiectare a cipurilor Nvidia. Dally vorbește despre marele efort necesar anterior pentru a migra un design de cip de la șapte la cinci nanometri, de exemplu. Folosind IA de învățare prin consolidare, „92% din biblioteca de celule a putut fi realizată de acest instrument fără nicio regulă de proiectare sau erori de reguli electrice”, spune el. Acest lucru este binevenit pentru economiile sale uriașe de forță de muncă „și, în multe cazuri, ajungem și la un design mai bun”, continuă Dally.
Anul trecut, la GTC, discuția lui Dally a subliniat importanța prioritizării AI și a vorbit despre cele cinci laboratoare separate Nvidia care se dedau la proiecte de cercetare AI. Abia așteptăm să vedem și să auzim despre dacă instrumentele AI de la Nvidia au fost importante pentru proiectarea GPU-urilor Ada Lovelace și pregătirea lor pentru TSMC 5nm. Dally pare să sugereze că automatizarea migrării celulelor standard folosind AI a fost utilizată recent în unele tranziții de la 7 nm la 5 nm.