Google тренирует чипы для разработки

Одна из ключевых задач компьютерного дизайна заключается в том, как упаковать микросхемы и проводку наиболее эргономичным образом, поддерживая мощность, скорость и энергоэффективность.

Рецепт включает в себя тысячи компонентов, которые должны безупречно общаться друг с другом, находясь на одном общем элементе, размером с ноготь.

Этот процесс называется планировкой напольного покрытия, аналогично тому, что делают декораторы интерьера, планируя отремонтировать комнату. Однако при использовании цифровых схем вместо использования одноэтажного плана проектировщики должны учитывать интегрированные схемы на нескольких этажах. Как недавно упомянула одна техническая публикация, планирование чипа – это трехмерный Тетрис.

Процесс занимает много времени. А благодаря постоянному совершенствованию компонентов микросхем трудоемкие окончательные конструкции быстро устаревают. Чипы, как правило, рассчитаны на срок от двух до пяти лет, но существует постоянное давление, чтобы сократить время между обновлениями.

Исследователи Google только что совершили гигантский скачок в планировке чипов. В своем недавнем объявлении старшие инженеры-исследователи Google Анна Голди и Азалия Мирхосейни заявили, что разработали алгоритм, который учит, как добиться оптимального размещения схем. Он может сделать это за долю секунды, необходимого в настоящем времени для такого проектирования, анализируя потенциально миллионы возможностей вместо тысяч, что в настоящее время является нормой. При этом он может предоставлять чипы, которые используют преимущества последних разработок быстрее, дешевле и меньше.

Голди и Мирхосейни применили концепцию обучения подкреплению к новому алгоритму. Система генерирует награды и наказания для каждого предложенного проекта, пока алгоритм не научится распознавать лучшие подходы.

Понятие такого подкрепления имеет корни в школе психологии, известной как бихевиоризм. Его основатель, Джон Уотсон, предположил, что все животные, включая людей, были в основном сложными машинами, которые обучались, реагируя на положительные и отрицательные ответы. Как бы удивился Уотсон, узнав, что принципы, которые он впервые сформулировал в 1913 году, более чем столетие спустя применяются и к интеллектуальным машинам.

Исследователи Google сказали, что после всесторонних испытаний они обнаружили, что их новый подход к производству искусственных интеллектуальных сборочных линий превосходит проекты, созданные инженерами-людьми.

“Мы полагаем, что именно сам ИИ обеспечит средства для сокращения цикла разработки микросхемы, создавая симбиотические отношения между аппаратным обеспечением и ИИ, причем каждый из них способствует прогрессу в другом”, – говорится в заявлении дизайнеров, опубликованном на сайте arxiv.org, хранилище научных исследований, управляемых Корнельским университетом.

Компьютерные схемы прошли долгий путь с тех пор, как в 1945 году была представлена ​​первая полностью электронная вычислительная машина – ЭНИАК, состоящая из 18 000 вакуумных ламп, предшественников интегральных микросхем и компьютерных чипов, а также с множеством проводов, и стоило это 6 миллионов долларов. Машина растянулась на три пригородных автобуса, весила 30 тонн и заняла всю комнату лаборатории Принстонского университета, где она была создана.

Сегодняшние айфоны имеют чипы размером с ноготь мизинца, которые в 1300 раз мощнее, в 40 миллионов раз меньше и на 1/17 000 дешевле стоимости ENIAC.

Новый алгоритм Google может также помочь обеспечить продолжение закона Мура, в котором говорится, что количество транзисторов, упакованных в микросхемы, удваивается каждые один или два года. В 1970 году чип Intel 4004 содержал 2250 транзисторов. Сегодня AMD Epyc Rome содержит 39,5 миллиардов транзисторов.

Это дает множество возможностей для нового алгоритма дизайна чипов от Google.