بیل دالی، مهندس ارشد انویدیا، در جریان رویداد GTC اعلام کرد که این شرکت با استفاده از ابزارهای هوش مصنوعی، فرآیند زمانبر طراحی تراشه را که پیشتر به ۸۰ ماهِ کاری توسط نیروی انسانی نیاز داشت، تنها در یک شب انجام میدهد. به گفته او مدل هوش مصنوعی مورد استفاده، روی دههها تجربه طراحی تراشههای انویدیا آموزش دیده است.
انویدیا هماکنون در بخشهای مختلفی از فرآیند داخلی طراحی تراشههای خود از هوش مصنوعی بهره میبرد. بیل دالی (Bill Dally)، دانشمند ارشد انویدیا، در گفتگویی با جف دین (Jeff Dean)، دانشمند ارشد گوگل در جریان رویداد GTC، تایید کرد که این شرکت از هوش مصنوعی در زمینههایی چون بررسی طرحهای جدید، کار روی کتابخانه سلولهای استاندارد، مدیریت باگها و راستیآزمایی (ٰVerification) استفاده میکند. با این وجود، وی خاطرنشان کرد که طراحی تراشه به صورت کاملاً خودکار و بدون دخالت انسان هنوز دور از دسترس است.
جهش از ۸۰ ماه تلاش انسانی به یک شب پردازش
یکی از نمونههای بارزی که دالی به آن اشاره کرد، ابزار داخلی انویدیا با نام NB-Cell بود. در گذشته، انتقال کتابخانه سلولهای استاندارد این شرکت به یک فرآیند تولید نیمههادی جدید، نیازمند یک تیم هشت نفره بود که حدود ۱۰ ماه زمان میبرد (معادل ۸۰ نفر-ماه). اما اکنون این ابزار مبتنی بر یادگیری تقویتی، همان کار را طی یک شب و تنها با استفاده از یک GPU انجام میدهد.
بیل دالی در این رابطه میگوید:
ما سعی میکنیم در فرآیند طراحی خود هر جا که میتوانیم از هوش مصنوعی استفاده کنیم و مثالهای متعددی برای آن وجود دارد. به عنوان مثال، هر بار که فرآیند نیمههادی جدیدی داریم، باید کتابخانه سلولهای استاندارد خود را به آن منتقل کنیم. این شامل حدود ۲۵۰۰ تا ۳۰۰۰ سلول است و در گذشته تیمی متشکل از هشت نفر باید حدود ۱۰ ماه روی آن کار میکردند؛ یعنی ۸۰ نفر-ماه زمان میبرد.
ما برنامهای مبتنی بر یادگیری تقویتی به نام NB-Cell توسعه دادیم. فکر میکنم اکنون به نسخه ۲ یا ۳ از NB-Cell رسیدهایم. این ابزار کار را طی یک شب روی یک پردازنده گرافیکی انجام میدهد. نتایج به دست آمده در معیارهایی مانند اندازه سلول، اتلاف انرژی و تأخیر، در واقع بهتر از طراحیهای انسانی است؛ این ابزار با طراحیهای انسانی برابری کرده یا از آنها پیشی میگیرد.
عبور از مرزهای توانایی بشر
دالی همچنین به ابزار داخلی دیگری به نام Prefix RL اشاره کرد که برای حل یکی از مسائل قدیمی در معماری تراشهها طراحی شده است. به گفته او، این سیستم چیدمانهایی تولید میکند که «هیچ انسانی هرگز به آنها دست نمییافت» و در عین حال، معیارهای کلیدی را حدود ۲۰ تا ۳۰ درصد نسبت به طراحیهای انسانی بهبود میبخشد. این مسئله نشان میدهد که انویدیا از هوش مصنوعی صرفاً برای صرفهجویی در زمان مهندسان استفاده نمیکند، بلکه به دنبال کشف طراحیهایی خارج از دایره توانایی انسانی است.
آموزش مهندسان با مدلهای زبانی اختصاصی
انویدیا همچنین دو مدل زبانی بزرگ (LLM) داخلی خود را با نامهای Chip Nemo و Bug Nemo توسعه داده است. این مدلها با استفاده از دادههای اختصاصی انویدیا، از جمله کدهای RTL و اسناد معماری پردازندههای گرافیکیِ طراحیشده در طول سالیان متمادی، بهینهسازی شدهاند.
یکی از دستاوردهای عملی این مدلها آن است که مهندسان تازهکار میتوانند به جای پرسشهای مکرر از طراحان ارشد درباره نحوه عملکرد یک بلوک خاص، پاسخ خود را از هوش مصنوعی دریافت کنند. همچنین، این سیستم قادر است گزارشهای مربوط به باگها را خلاصه کرده و آنها را به ماژول یا مهندس مربوطه ارجاع دهد.
دور از ذهن نبود که یکی از بزرگترین شرکتهای منتفع از هوش مصنوعی به شکلی گسترده از آن استفاده کند اما آیا این روند امنیت شغلی مهندسان انویدیا را به خطر نخواهد انداخت؟
در همین رابطه بخوانید:
- ترفند جالب Taalas در ساخت تراشههای AI که انویدیا را به چالش میکشد
نظر خود را اضافه کنید.
برای ارسال نظر وارد شوید
ارسال نظر بدون عضویت در سایت