28.03.2024
Подписывайтесь на Telegram-канал по ссылке

Машинное обучение помогает при проектировании сверхбольших чипов

AutoDMP Nvidia

Инженеры NVIDIA представили исследовательскую работу, в которой сообщили о значительной пользе алгоритмов машинного обучения при проектировании сверхбольших интегральных схем (СБИС). Созданные компанией алгоритмы и программные инструменты, ускоряемые графическими процессорами, справляются с размещением больших групп транзисторов намного эффективнее и быстрее классических программ проектирования. В конечном итоге это ведёт к снижению себестоимости чипов. Исследование опубликовано по ссылке.

Утверждается, что в своей работе специалисты NVIDIA воспользовались наработками исследователей из Техасского университета. В то же время компания ещё в 2019 году для обучаемого проектирования СБИС представила ускоряемый GPU фреймворк DREAMPlace на базе нейронных сетей, от которого ожидала 40-кратного ускорения размещения транзисторов в СБИС. В новой работе на примере оптимизации дизайна чипа с 2,7 млн ячеек и 320 макросами было показано, что система на базе одной системы NVIDIA DGX Station A100 справилась с работой всего за 3 часа.

«Эта работа демонстрирует перспективность и потенциал объединения алгоритмов с GPU-ускорением и методов машинного обучения для автоматизации проектирования СБИС, — резюмируют исследователи. — В результате мы можем генерировать высококачественные предсказуемые решения, улучшая качество размещения макросов в академических эталонах по сравнению с базовыми результатами, полученными с помощью академических и коммерческих инструментов».

Нелишне напомнить, что закон Мура продолжает работать за счёт наращивания числа различных «фишек», а не в классическом предсказании — за счёт удвоения числа транзисторов каждые 24 месяца. Снижение стоимости проектирования и оптимизация электронных цепей (читай — размещение миллионов и миллиардов транзисторов) сегодня выходят на первый план. С этим ещё что-то можно сделать, тогда как техпроцессы начинают упираться в физические пределы атомарной структуры материи.

«Вы больше не получаете экономию от такого масштабирования, — сказал главный научный сотрудник компании Билл Дэлли. — Чтобы продолжать двигаться вперед и предоставлять больше преимуществ потребителям, мы не можем добиться этого за счёт более дешёвых транзисторов. Мы должны добиться этого за счёт более продуманной конструкции».