По време на конференцията GTC, Бил Дали, главен изследовател и старши вицепрезидент по изследванията в NVIDIA, обсъди как изследователските екипите на компанията използват изкуствен интелект (AI) и машинно обучение (ML), за да увеличат ефективността на дизайна на следващото поколение графични процесори на компанията. Дали допълнително обсъди използването на машинно обучение и изкуствен интелект за постигане на целите им за създаването на по-добър и по-мощен графичен процесор.
NVIDIA обсъжда дизайна на графичния процесор и влиянието на AI и машинното обучение в хардуера на утрешния ден
Бил Дали даде пример за използване на AI и ML за ускоряване на стандартна задача за проектиране на GPU от три часа на три секунди. Двата подхода са оптимизирани до четири процеса, които протичат бавно и са много сложни.
По време на GTC, Дали очерта четирите съществени раздела при проектиране на GPU и как AI и машинното обучение могат значително да повлияя. Процесите включват контролиране на спадовете в захранващото напрежение, предвиждане на грешки, установяване и очертаване на проблеми и автоматизация на миграцията на елементи.
Планиране на спадовете на напрежението
Това планиране на спада на напрежението позволява на NVIDIA да види къде се движи потокът на мощността при дизайните на графичните процесори от следващо поколение. Когато някога стандартните CAD инструменти биха помогнали в процеса, новите инструменти за изкуствен интелект, използвани от NVIDIA, могат да обработват тези задачи за секунди, което е значителна част от времето. Внедряването на AI и машинно обучение ще увеличи точността с 94% и експоненциално ще увеличи скоростта.
Прогнозиране на паразитните дизайни
Използването на изкуствен интелект може да помогне за прогнозиране на паразитния дизайн. Като дизайнер на вериги, Бил Дали прекарва дълги периоди от време заедно с колегите си в очакваните паразитни дизайни, възникнали в процеса на разработка. С текущия метод на тестване в NVIDIA, те виждат спад в грешките при симулация, не по-малко от десет процента. Това подобрение е отлично за дизайнерите на схеми, тъй като освобождава тези разработчици да пробват по-изобретателни и пробивни концепции в дизайна.
Предизвикателства за място и маршрут
Предизвикателствата, които има при зонирането и маршрутизирането са важни за проектирането на усъвършенствани чипове, тъй като лошият поток от данни може да намали ефективността експоненциално. Бил Дали казва, че NVIDIA използва графични невронни мрежи (GNN), за да проучи и локализира всякакви проблеми и бързо да намери решения, които иначе биха отнели решаващо време от процеса на разработка.
Стандартна автоматизация за миграция на елементи
Без AI, миграцията на един чип понякога кара разработчиците да прекарват безброй месеци в разработка. Сега Дали заяви, че „92% от библиотека с елементи вече е в състояние да бъде направена от този инструмент без грешки в правилата за проектиране, или електрическите правила“ и че „в много случаи се получава по-добър дизайн“.
NVIDIA планира да даде приоритет на изкуствения интелект и машинното обучение в пет от своите лаборатории. В дискусиите на конференцията, Бил Дали намекна, че ще видим в техните по-нови 7 nm и 5 nm дизайни използването на автоматизираната стандартна миграция на елементи и че NVIDIA ще включи линията Ada Lovelace в тези нови проекти.
Източник: Wccftech
