Nvidia’nın baş bilim adamı geçtiğimiz günlerde Ar-Ge ekiplerinin yeni GPU’ların tasarımını hızlandırmak ve geliştirmek için GPU’ları nasıl kullandığından bahsetti. Dört karmaşık ve geleneksel olarak yavaş süreç, makine öğrenimi (ML) ve yapay zeka (AI) tekniklerinden yararlanılarak ayarlandı. Bir örnekte, AI/ML hızlandırılmış çıkarımı kullanmak, ortak bir yinelemeli GPU tasarım görevini üç saatten üç saniyeye kadar hızlandırabilir.
Bill Dally, Nvidia’da baş bilim adamı ve araştırmadan sorumlu Kıdemli Başkan Yardımcısıdır. HPC Teli Dally’nin GPU tasarımını iyileştirmek ve hızlandırmak için AI araçlarının geliştirilmesini ve kullanımını tartıştığı son GTC konferansında paylaştığı bir konuşmanın yoğunlaştırılmış bir versiyonunu bir araya getirdi. Dally yaklaşık 300 kişiyi yönetiyor ve bu zeki insanlar genellikle aşağıda belirtilen araştırma gruplarında çalışıyor.
Dally konuşmasında, AI/ML’nin büyük etki için kullanılabileceği dört önemli GPU tasarımı alanını özetledi: voltaj düşüşünü haritalama, parazitleri tahmin etme, yer ve yönlendirme zorluklarını ve standart hücre geçişini otomatikleştirme. Her bir sürece ve yapay zeka araçlarının bilgisayarların işlerini yapmasını beklemek yerine Nvidia Ar-Ge’sinin beyin çalışmasına nasıl yardımcı olduğuna bir göz atalım.
Haritalama voltajı düşüşü, tasarımcılara yeni GPU tasarımlarında gücün nerede kullanıldığını gösterir. Dally, geleneksel bir CAD aracı kullanmanın bu rakamları yaklaşık üç saat içinde hesaplamanıza yardımcı olacağını söylüyor. Bununla birlikte, bir kez eğitildikten sonra, Nvidia’nın AI aracı bu süreci üç saniyeye indirebilir. İşlem süresindeki böyle bir azalma, doğası gereği yinelemeli olan böyle bir süreçte çok yardımcı olur. Mevcut haliyle süreç, büyük yinelemeli hız artışının karşılığı olan %94 doğruluk sunar.
Yapay zeka kullanarak parazitleri tahmin etmek Dally için özellikle sevindirici. Bir devre tasarımcısı olarak oldukça zaman geçirdiğini ve bu yeni AI modelinin uzun, çok personelli, çok yetenekli bir süreci kısalttığını söylüyor. Yine simülasyon hatası, bu durumda <%10'da oldukça düşüktür. Bu geleneksel olarak uzun yinelemeli süreçleri kesmek, bir devre tasarımcısının daha yaratıcı veya maceracı olmasını sağlayabilir.
Yer ve yönlendirme zorlukları, yoğun bir toplu kentte yolları planlamak gibi oldukları için çip tasarımı için önemlidir. Bunu yanlış yapmak trafik (veri) sıkışıklığına neden olur ve verimlilik için yerleşimlerin yeniden yönlendirilmesi veya yeniden planlanmasını gerektirir. Çip tasarımında bu sorunu analiz etmek için Grafik Sinir Ağlarının (GNN’ler) kullanılması, ilgili alanların vurgulanmasına ve sorunlar üzerinde akıllıca hareket edilmesine yardımcı olur.
Son olarak, AI kullanarak standart hücre geçişini otomatikleştirmek, Nvidia’nın çip tasarımı araç kutusundaki çok kullanışlı bir başka araçtır. Dally, örneğin bir çip tasarımını yedi nanometreden beş nanometreye geçirmek için daha önce gerekli olan büyük çabadan bahsediyor. Takviyeli öğrenme AI’larını kullanarak, “hücre kitaplığının %92’si bu araç tarafından hiçbir tasarım kuralı veya elektriksel kural hatası olmadan yapılabildi” diyor. Bu, büyük iş gücü tasarrufları için memnuniyetle karşılanıyor “ve çoğu durumda, daha iyi bir tasarımla da sonuçlanıyoruz” diye devam ediyor Dally.
Geçen yıl GTC’de Dally’nin konuşması, yapay zekaya öncelik vermenin önemini vurguladı ve yapay zeka araştırma projelerine düşkün beş ayrı Nvidia laboratuvarından bahsetti. Nvidia’nın yerel yapay zeka araçlarının Ada Lovelace GPU’larının tasarımında ve onları TSMC 5nm’ye hazırlamada önemli olup olmadığını görmek ve duymak için sabırsızlanıyoruz. Dally, son zamanlarda bazı 7nm ila 5nm geçiş(ler)inde AI kullanarak standart hücre göçünün otomatikleştirilmesinin kullanıldığını ima ediyor gibi görünüyor.