Nvidia koristi veštačku inteligenciju koju pokreće GPU da dizajnira svoje najnovije GPU-ove

Nvidijin glavni naučnik nedavno je govorio o tome kako njegovi timovi za istraživanje i razvoj koriste GPU-e da ubrzaju i poboljšaju dizajn novih GPU-a.

Ubrzavanje procesa dizajniranja GPU-a

Četiri složena i tradicionalno spora procesa su već podešena korišćenjem tehnika mašinskog učenja (machine learning – ML) i veštačke inteligencije (artificial intelligence – AI). U jednom primeru, korišćenje ubrzanog zaključivanja AI/ML može ubrzati uobičajeni iterativni zadatak dizajna GPU-a sa tri sata na tri sekunde. Bill Dally je glavni naučnik i SVP istraživanja u Nvidiji. HPC Wire je sastavio sažetu verziju razgovora koji je Dally podelio na nedavnoj GTC konferenciji, u kojoj govori o razvoju i upotrebi AI alata za poboljšanje i ubrzanje GPU dizajna. U svom govoru, Dally je izneo četiri značajne oblasti dizajna GPU-a u kojima se AI/ML može iskoristiti za velike efekte: mapiranje pada napona, predviđanje parazita, izazovi mesta i rutiranja i automatizacija standardne migracije ćelija.

Hajde da pogledamo svaki proces i kako AI alati pomažu Nvidia R&D. Mapiranje pada napona pokazuje dizajnerima gde se energija koristi u novim GPU dizajnima. Korišćenje konvencionalnog CAD alata će vam pomoći da izračunate ove brojke za oko tri sata, kaže Dally. Međutim, kada se jednom obuči, Nvidijin AI alat može smanjiti ovaj proces na tri sekunde. Ovakvo smanjenje vremena obrade mnogo pomaže kod ovakvog procesa, koji je po svojoj prirodi iterativni. Proces, kako sada stoji, nudi 94% tačnosti, što je kompromis za ogromno iterativno povećanje brzine.

Predviđanje parazitiranja pomoću veštačke inteligencije posebno je značajan. Ovaj novi model veštačke inteligencije smanjuje dugotrajan proces sa više osoblja i više veština. Ponovo je greška simulacije relativno mala, u ovom slučaju <10%. Smanjivanje ovih tradicionalno dugih iterativnih procesa može osloboditi dizajnera kola da bude kreativniji. Izazovi u vezi sa mestom i rutiranjem važni su za dizajn čipa jer su poput planiranja puteva kroz prometnu naseobinu. Ako ovo pogrešno shvatite, dovešće do gužvi u saobraćaju (podaci), što će zahtevati preusmeravanje ili ponovno planiranje rasporeda radi efikasnosti.

Korišćenje grafičkih neuronskih mreža (GNN) za analizu ovog problema u dizajnu čipa pomaže da se istaknu problematična područja i inteligentno deluje na probleme. Na kraju, automatizacija standardne migracije ćelija pomoću veštačke inteligencije je još jedan veoma koristan alat u Nvidijinom paketu alata za dizajn čipova. Dally govori o velikom trudu koji je prethodno bio potreban da se dizajn čipa prenese sa sedam na pet nanometara, na primer. Koristeći AI za učenje sa pojačanjem, „92% ćelijske biblioteke je moglo da se uradi pomoću ovog alata bez ikakvih pravila dizajna ili grešaka u električnim pravilima“, kaže on. Ovo je dobrodošlo zbog ogromne uštede radne snage „a u mnogim slučajevima dobijamo i bolji dizajn“, nastavlja Dally. Prošle godine na GTC-u, Dallyjev govor je naglasio važnost davanja prioriteta AI i govorio je o pet odvojenih Nvidia laboratorija koje se bave istraživačkim projektima AI.

Izvor: Tomshardware