Během konference GTC Bill Daly, hlavní vědec společnosti NVIDIA a hlavní viceprezident výzkumu, diskutovat Jaký prospěch mají týmy R&D společnosti AI a strojové učení ke zvýšení designu a účinnosti GPU nové generace společnosti. Dally také diskutoval o využití strojového učení a umělé inteligence k prosazení svých cílů pro lepší a výkonnější GPU.
NVIDIA diskutuje o návrhu GPU a dopadu AI a strojového učení na zařízení zítřka
Dally uvedl příklad použití AI a ML ke zvýšení heuristiky pro urychlení standardní úlohy návrhu GPU ze tří hodin na tři sekundy. Tyto dvě metody zlepšily až čtyři procesy, které byly příliš pomalé a složité.
Dally během konference GTC navrhl čtyři klíčové sekce o designu GPU a o tom, jak může AI a strojové učení významně ovlivnit. Operace zahrnují řízení poklesů napájecího napětí, předvídání chyb a další, vytváření a odstraňování problémů a automatizaci relé článků.
mapování napětí
Tento pokles mapování napětí umožňuje společnosti NVIDIA vidět, kam jde tok energie v konstrukcích GPU nové generace. Když v tomto procesu pomáhají standardní nástroje CAD, nové nástroje AI, které NVIDIA používá, zvládnou tyto úkoly během několika sekund, což je značná část času. Implementace umělé inteligence a strojového učení zvýší přesnost o 94 % a exponenciálně zvýší rychlost.
Předpověď parazitů
Dally má špatnou pozici k předpovídání parazitů pomocí umělé inteligence. Jako návrhář obvodů trávil dlouhá období s kolegy a očekával, že ve vývojovém procesu budou přítomni paraziti. S aktuálním testováním dokončeným v NVIDIA zaznamenali snížení chyb simulace, a to méně než deset procent. Toto zlepšení ve vývoji je vynikající pro návrháře obvodů, protože těmto vývojářům umožňuje otevřít kreativnější a průlomové designové koncepty.
Problémy s polohou a orientací
Problémy s zónováním a směrováním jsou důležité pro pokročilý návrh čipu, protože špatný tok dat může výrazně snížit efektivitu. Dally uvádí, že NVIDIA používá GNN nebo Graph Neural Networks ke zkoumání a lokalizaci jakýchkoli problémů a rychlému nalezení řešení, která by jinak zabrala kritický čas v procesu vývoje.
Standardní automatizace migrace buněk
Migrace čipů může někdy způsobit, že vývojáři stráví bezpočet měsíců vývojem bez umělé inteligence. Nyní Dally prohlásil, že „92 % knihovny buněk bylo schopno pracovat s tímto nástrojem bez návrhových pravidel nebo chyb elektrických pravidel“ a že „v mnoha případech skončíme s lepším designem“.
NVIDIA plánuje upřednostnit umělou inteligenci a strojové učení v pěti laboratořích společnosti. Z diskusí na konferenci Dally naznačuje, že bychom měli vidět začlenění automatizovaného standardního buněčného relé do jejich novějších 7nm a 5nm návrhů a že NVIDIA do těchto nových projektů zahrne řadu Ada Lovelace.
„Obhájce Twitteru. Zombie fanatik. Hudební fanoušek. Milovník cestování. Webový expert. Pivní guru. Kávový fanatik.“
