Alphachip AI i Google Deepmind krijon tre gjenerata të TPU-ve

Tre gjenerata të Njësive të Përpunimit Tensor (TPU) të krijuara nga prodhuesi i çipave me AI të Google Deepmind tani janë vendosur në qendrat e të dhënave në të gjithë botën.

Në vitin 2021, Google zbuloi për herë të parë një AI të aftë për të dizajnuar “planin e dyshemesë” të TPU-ve, të cilat janë çipa përshpejtues të AI.

Tani ajo ka lëshuar një shtesë në gazetën e saj origjinale Nature, duke detajuar arritjen mbresëlënëse të modelit fantastik dhe duke shpallur emrin e saj të ri: AlphaChip.

Në një blog që përdor fjalën “mbinjerëzore” jo më pak se katër herë, Anna Goldie dhe Azalia Mirhoseini shkruan: “Metoda jonë e AI ka përshpejtuar dhe optimizuar dizajnin e çipave, dhe paraqitjet e tij mbinjerëzore të çipave përdoren në pajisje në mbarë botën.

“AlphaChip ishte një nga qasjet e para të të mësuarit përforcues të përdorur për të zgjidhur një problem inxhinierik të botës reale. Ai gjeneron paraqitje mbinjerëzore ose të krahasueshme të çipave në orë, në vend që të marrë javë ose muaj përpjekje njerëzore, dhe paraqitjet e tij përdoren në çipa në të gjithë botë, nga qendrat e të dhënave te telefonat celularë”.

“Dizajnimi i një paraqitjeje çipi nuk është një detyrë e thjeshtë,” vëren Google. Çipat përbëhen nga blloqe të ndërlidhura dhe shtresa përbërësish të lidhur me “tela tepër të hollë”.

Për shkak të “kufizimeve komplekse dhe të ndërthurura të dizajnit” dhe “kompleksitetit absolut” të detyrës, është provuar shumë e vështirë të automatizohen dizajnet e çipave.

AlphaChip u krijua për t’iu qasur planifikimit të dyshemesë së çipave si “një lloj loje”, prandaj emri i bën jehonë AlphaGo dhe AlphaZero , të cilët janë lojtarë ekspertë të lojës Go.

AlphaChip merr një rrjet bosh dhe vendos një komponent qark në një kohë derisa të gjithë komponentët të jenë në vend dhe më pas “shpërblehet” kur paraqitja është e një cilësie të mirë.

Një rrjet nervor grafik “i ri i bazuar në skaj” lejon AlphaChip të mësojë se si ndërveprojnë komponentët e çipit dhe më pas t’i përgjithësojë këto mësime nëpër çipa, duke i mundësuar modelit të përmirësojë në mënyrë gradual punën e tij.

Për të dizajnuar paraqitjet e TPU-së, AlphaChip praktikon fillimisht në një gamë të larmishme blloqesh çipash nga gjeneratat e mëparshme, si blloqet e rrjetit në çip dhe ndër-çipa, kontrollorët e memories dhe buferët e transportit të të dhënave, shkroi Google Deepmind.

“Ky proces quhet para-trajnim. Më pas ne ekzekutojmë AlphaChip në blloqet aktuale TPU për të gjeneruar paraqitje me cilësi të lartë. Ndryshe nga qasjet e mëparshme, AlphaChip bëhet më i mirë dhe më i shpejtë pasi zgjidh më shumë raste të detyrës së vendosjes së çipit, ngjashëm me mënyrën se si bëjnë ekspertët njerëzorë.

“Me çdo gjeneratë të re të TPU-së, duke përfshirë Trillium-in tonë të fundit (gjenerata e 6-të), AlphaChip ka dizajnuar paraqitje më të mira të çipave dhe ka siguruar më shumë planimetrinë e përgjithshme të dyshemesë, duke përshpejtuar ciklin e projektimit dhe duke dhënë çipa me performancë më të lartë.”

Me çdo gjeneratë të TPU-së, hendeku i performancës midis AlphaChip dhe projektuesve të çipave njerëzorë është rritur. Grafiku i mësipërm tregon përmirësime në gjatësinë e telit, që i referohet gjatësisë totale të lidhjeve elektrike midis komponentëve në një gjysmëpërçues, gjë që është thelbësore sepse gjatësitë më të shkurtra të telit reduktojnë vonesat dhe konsumin e energjisë, ndërkohë që përmirësojnë performancën e përgjithshme.

AlphaChip ka gjeneruar gjithashtu “paraqitjet e çipave mbinjerëzor” për blloqet e përdorura në çipa si Axion, një CPU me bazë Arm, dhe “çipa të tjerë të paparalajmëruar” në të gjithë Alphabet. Organizata të tjera kanë miratuar gjithashtu qasjen e Deepmind duke përfshirë MediaTek, i cili përdori AlphaChip për të bërë çipat e tij dhe për të përmirësuar madhësinë, fuqinë dhe performancën e tyre.

“AlphaChip është vetëm fillimi”, shkroi Google. “Ne parashikojmë një të ardhme në të cilën metodat e AI automatizojnë të gjithë procesin e projektimit të çipit, duke përshpejtuar në mënyrë dramatike ciklin e projektimit dhe duke zhbllokuar kufijtë e rinj në performancë përmes algoritmeve mbinjerëzore dhe bashkë-optimizimit nga fundi në fund të modeleve të harduerit, softuerit dhe të mësimit të makinerive. Ne jemi të entuziazmuar të punojmë së bashku me komunitetin për të mbyllur lidhjen midis AI për dizajnin e çipeve dhe dizajnit të çipave për AI.”