欢迎访问山东帝都娱乐!专业研发空气质量监测站空气质量监测仪,小型空气质量自动监测站、提供网格化实时环境监测站,环境空气质量监测仪价格

山东帝都娱乐logo

山东帝都娱乐科技有限公司专注物联网仪器研发,为你提供专业的空气质量解决方案

全国咨询热线

18660668986
当前位置:首页 > 解决方案

谷歌最新论文:用AI六小时设计芯片

编辑:帝都娱乐 人气:发表时间:2020-09-28 08:09:38

研究人员的结论是,“这不同于目前从头开始为每个新芯片优化结构设计的方法。我们的业务可以利用以前的芯片设计历史来加快设计速度,并随着时间的推移不断提高设计质量。此外,我们的新方法还可以直接优化特定的指标,如导线长度、密度和拥挤度,突破了传统方法中相关指标近似值难以定义的限制。这种新方案不仅大大降低了芯片设计中成本控制的难度,还补贴我们根据具体芯片的实际需求来权衡差分指标(如时间优先级或功率上限)的相对重要程度。”

实际上,该动作将依次将组件放置在空芯片上,直到电缆排列表中的所有条目都完成。更重要的是,只有作用波长(与功率和性能有关)和拥塞程度(受电缆密度限制)的负加权和为负。为了引导演技找到需要先放的成分,研究者按照大小降序排列成分;首先,放置较大的组件可以减少缺少丰富放置空间的问题。

在去年年底的一次采访中,迪恩解释说:“基本上,在过去,研究人员使用一系列设计工具来完成结构决策。这听起来很简单,但事实上,结构和布线专家需要使用这些工具来一次又一次地进行设计迭代。从初始设计到在固体芯片上物理铺设结构,以满足芯片项目的尺寸、功率和导线长度限制,然后满足所有协同设计者的想法和现有的制造工艺.这将是一个持续几周的艰难过程。现在我们可以建立一个机械学习模型来学习特定芯片中的结构和布线规则,最终快速生成一个可行的设计方案。"

随着训练的发展,阿丽亚娜开源处置惩罚者的结构也在发生变化。左图是从零开始的训练策略,右图是针对芯片功效的预训练策略。

根据作者的解释,他们在实验中发现,随着整体框架训练程度的不断提高,训练速度开始不断加快,产生更高质量的结果。具体来说,与目前领先的基准水平相比,这项新技术在Google张量处置惩罚单元(Google定制的TPU AI加速器芯片)的设计中带来了精彩的PPA指标。

图例:训练数据和性能调整

在谷歌AI的辛勤工作者杰夫迪恩(Jeff Dean)撰写的预发布论文中,来自谷歌研究(Google Research)和谷歌芯片实现与基础设施团队(Google Chip Implementation and Infinity Team)的科学家宣布了一种基于机械学习技术的芯片设计方法,该方法可以借鉴以往的经验,随着时间的推移不断创新设计能力,最终打造出更强大、更高质量的芯片解决方案。他们声称整个设计过程平均可以在6小时内完成,时间周期比常规人工研究的几周要短得多。

本文作者提出的方法是在芯片背板上放置逻辑门、存储器和其他“布线表”,以优化功率、性能和面积(PPA)指标,并符合当前芯片项目对结构和布线密度的严格要求。设计过程的规模非常灵活,从几百万个节点到几十亿个节点(这些节点会被划分成几千个集群)。一般来说,评估既定指标通常需要几个小时到一天的时间。

虽然这不是一个新的想法,但它的真正实现来自谷歌工程师在今年3月的最新论文中提出的技术。更重要的是,它还表明,在处置惩罚芯片上的晶体管布局设计将在很大程度上自动化。如果谷歌研究人员提出的技术可以公开使用,各种资金不足的创业公司也可以自行开发AI等专用芯片。此外,整个行业的平均芯片设计周期将显著缩短,使硬件能够更好地适应快速增长的研究需求。

芯片一直是许多科技公司研发的重点,尤其是在芯片市场竞争激烈的今天。虽然谷歌依靠软件,但近年来一直在TPU研究芯片技术,这是一个不错的结果。今天,谷歌AI先驱杰夫迪恩(Jeff Dean)在一篇预先公布的论文中宣布了一种基于机械学习的芯片设计方法,声称设计过程可以缩短到6个小时,而一般的芯片设计往往需要数周甚至更长时间。

研究人员要完成动作训练,需要建立一套包含一万个芯片结构的数据集,其中输入的内容是匹配具体放置要求的详细状态标签,以及放置奖励(即线长和拥挤程度)。为了建立这个数据集,研究人员首先选择不同的芯片线阵列,然后使用AI算法为每个阵列生成2000个不同的结构。

研究人员还设计了一个框架来指导经过强化学习训练的代理优化芯片结构。(强化学习代理通过奖励探索实现目标的最佳方式;在芯片设计的情况下,代理人会不断学习各种植入策略,探索如何最大化回报。在排线清单牢固的前提下,AI方案模型会基于当前节点ID/排线清单和半导体制造工艺输出芯片单元排列的可行概率效应,并通过估算模型估算当前布局方案的预期收益。