Google用人工智慧演算法設計人工智慧晶片,6小時可搞定人類數月的設計工作

Google用人工智慧演算法設計人工智慧晶片,6小時可搞定人類數月的設計工作

在很多科幻電影中,AI會取代人類進行設計的工作,最終包下了設計機器人的工作,形成一種「AI設計AI」的循環。而現在,看來這似乎不是天方夜譚,Google正在利用機器學習系統,幫助工程師設計新一代機器學習晶片。

Google工程師表示,由演算法設計的晶片品質,比起人工設計來說不但品質「相當」甚至「還要更好」,更重要的是在速度上要快得多。Google表示,人工智慧可以在不到6小時的時間內完成人工需要數月時間完成的晶片設計工作。

Google用人工智慧演算法設計人工智慧晶片,6小時可搞定人類數月的設計工作

Google多年來一直在研究如何使用機器學習製造晶片,本週Google員工發表在《自然》雜誌的一篇論文證實此類研究已經應用於商業產品。Google開始用人工智慧設計自家的TPU晶片。

TPU晶片是應用於人工智慧的晶片,專門針對人工智慧計算進行了優化。「我們的方法已經用於生產設計新一代GoogleTPU,」Google研究科學家、論文作者Azalia Mirhoseini和Anna Goldie表示。

換句話說,人工智慧正在幫助推動人工智慧技術的進步。

Google工程師在論文中指出,這項工作對晶片業有「重大影響」。這可以讓公司在設計晶片時探索架構可能性的速度更快,為特定工作負載定製晶片也更便捷。

《自然》雜誌的一篇評論稱這項研究是一項「重要成就」,並指出此類工作可以幫助抵消摩爾定律的終結。摩爾定律是20世紀70年代出現的一個晶片設計原則,也就是晶片上的晶體管數量每兩年翻一番。人工智慧不一定能突破物理極限、將越來越多的晶體管壓縮到晶片上,但可以幫助工程師找到提高晶片性能的其他途徑。

目前還並非用AI設計完整晶片

 

Google人工智慧演算法處理部分,目前實際任務被稱為「晶片版面規劃」。

通常情況下,設計師需要在電腦的幫助下為CPU、GPU以及記憶體核心等晶片子系統找到在矽晶片上的最佳佈局。這些晶片子系統透過總共長達幾十公里的微小線路連接在一起,晶片上每個子系統的位置均會影響晶片的最終處理速度和效率。而且,考慮到晶片製造的規模和計算週期,奈米層面上的位置調整最終會帶來巨大影響。

Google工程師們指出,規劃晶片版面如果是用工程師來設計,需要「數月的緊張工作」,但從機器學習的角度來看,完全可以像下棋那樣解決這個問題。

人工智慧已經證實其可以在西洋棋和圍棋等棋類遊戲中勝過人類。Google工程師們指出,晶片版面規劃與此類挑戰相似,只不過用的不是棋盤,而是晶片。棋盤上的棋子變成了CPU和GPU等晶片子系統。接下來的任務就是讓機器學習系統找到「獲勝條件」。在西洋棋比賽中是吃掉對方的王,而在晶片設計中是運算效率。

Google工程師利用晶片版面規劃數據來訓練一種強化的機器學習演算法,其中有1萬個不同品質的晶片版面規劃圖,一些規劃是隨機生成的。每個規劃圖所需電線長度和功耗有所不同。然後,訓練後的演算法利用這些數據來區分版面規劃的好壞,並相應生成新的設計。

當人工智慧在棋類遊戲中挑戰人類時,機器並不一定像人類那樣思考,而且經常會對熟悉問題提出意想不到的解決方案。DeepMind的AlphaGo圍棋對弈時就是如此,人工智慧看似不合邏輯的一步棋卻最終取得了勝利。

Google的晶片設計演算法並沒有帶來如此戲劇性的變化,但其生成的晶片版面設計與人工設計完全不同。在人工智慧設計的晶片版面中,各個子系統並沒有整齊排列,看起來幾乎是隨機分散在硅片上。《自然》雜誌的一幅插圖展示了這種差異,左邊是人工設計的晶片版面,右邊則是機器學習系統設計的。由於相關設計是保密的,這些圖片被作者有意做了模糊化處理。

Google用人工智慧演算法設計人工智慧晶片,6小時可搞定人類數月的設計工作

圖示:左邊是人工設計的晶片版面,右邊則是機器學習系統設計的

這篇論文之所以值得注意,是因為其研究成果現在正被Google用於商業用途。但這遠不是人工智慧輔助晶片設計的唯一應用。Google還在「架構探索」等晶片設計過程的其他部分使用人工智慧,而NV等競爭對手也在研究其他方法來加快晶片研發工作流程。用人工智慧設計人工智慧晶片的良性循環似乎才剛剛開始。

NetEase
作者

網易科技,有態度的科技門戶!關注微信公眾號(tech_163),看有態度的深度內容。

使用 Facebook 留言
發表回應
謹慎發言,尊重彼此。按此展開留言規則