Gry

Google wykorzystuje sztuczną inteligencję do projektowania nowej generacji chipów AI szybciej niż ludzie human

Google korzysta z uczenia maszynowego, aby pomóc w projektowaniu nowej generacji chipów do uczenia maszynowego. Projekty algorytmu są „porównywalne lub lepsze” od tych stworzonych przez ludzi, mówią inżynierowie Google, ale można je wygenerować znacznie, znacznie szybciej. Według giganta technologicznego, praca, która zajmuje ludziom miesiące, może być wykonana przez sztuczną inteligencję w mniej niż sześć godzin.

Google od lat pracuje nad tym, jak wykorzystać uczenie maszynowe do tworzenia chipów, ale ten ostatni wysiłek — opisany w tym tygodniu w artykule w czasopiśmie Naturawydaje się, że po raz pierwszy jej badania zostały zastosowane w produkcie komercyjnym: nadchodzącej wersji własnych chipów TPU (jednostki przetwarzania tensorów) Google, które są zoptymalizowane pod kątem obliczeń AI.

„Nasza metoda została wykorzystana w produkcji do zaprojektowania następnej generacji Google TPU” – piszą autorzy artykułu, kierowani przez szefową Google ML for Systems, Azalia Mirhoseini.

Innymi słowy, sztuczna inteligencja pomaga przyspieszyć rozwój AI w przyszłości.

W artykule inżynierowie Google zauważają, że praca ta ma „poważne implikacje” dla branży chipów. Powinno to umożliwić firmom szybsze zbadanie możliwej przestrzeni architektonicznej dla nadchodzących projektów i łatwiejsze dostosowywanie chipów do określonych obciążeń.

Artykuł wstępny w Natura nazywa badania „ważnym osiągnięciem” i zauważa, że ​​taka praca może pomóc zrównoważyć przewidywany koniec prawa Moore’a – aksjomatu projektowania układów scalonych z lat 70., który mówi, że liczba tranzystorów w układzie podwaja się co dwa lata. Sztuczna inteligencja niekoniecznie rozwiąże fizyczne wyzwania polegające na ściskaniu coraz większej liczby tranzystorów na chipach, ale może pomóc znaleźć inne sposoby na zwiększenie wydajności w tym samym tempie.

Układy TPU firmy Google są oferowane w ramach usług w chmurze i wykorzystywane wewnętrznie do badań nad sztuczną inteligencją.
: Google

Konkretne zadanie, z którym zmierzyły się algorytmy Google, znane jest jako „planowanie piętra”. Zwykle wymaga to od projektantów ludzi, którzy pracują przy pomocy narzędzi komputerowych, aby znaleźć optymalny układ na krzemowej matrycy dla podsystemów chipa. Te komponenty obejmują takie elementy, jak procesory, procesory graficzne i rdzenie pamięci, które są połączone ze sobą za pomocą dziesiątek kilometrów maleńkiego okablowania. Decyzja, gdzie umieścić każdy element na matrycy, wpływa na ostateczną prędkość i wydajność chipa. A biorąc pod uwagę zarówno skalę produkcji chipów, jak i cykle obliczeniowe, zmiany w rozmieszczeniu w nanometrach mogą mieć ogromne skutki.

Inżynierowie Google zauważają, że projektowanie planów pięter zajmuje ludziom „miesiące intensywnego wysiłku”, ale z perspektywy uczenia maszynowego istnieje znajomy sposób rozwiązania tego problemu: jako gra.

Sztuczna inteligencja wielokrotnie udowadniała, że ​​może przewyższać ludzi w grach planszowych, takich jak szachy i Go, a inżynierowie Google zauważają, że planowanie pięter jest analogiczne do takich wyzwań. Zamiast planszy masz kość krzemu. Zamiast elementów, takich jak rycerze i wieże, masz komponenty, takie jak procesory i karty graficzne. Zadanie polega więc na znalezieniu „warunków zwycięstwa” każdej planszy. W szachach może to być mat, w projektowaniu chipów to wydajność obliczeniowa.

Inżynierowie Google wyszkolili algorytm uczenia się wzmacniania na zbiorze danych zawierającym 10 000 układów układów podłóg o różnej jakości, z których część została wygenerowana losowo. Każdy projekt został oznaczony określoną funkcją „nagrody” w oparciu o jego sukces w różnych metrykach, takich jak wymagana długość przewodu i zużycie energii. Algorytm następnie wykorzystał te dane do rozróżnienia między dobrymi a złymi planami pięter i wygenerowania kolejno własnych projektów.

Jak widzieliśmy, gdy systemy AI w grach planszowych walczą z ludźmi, maszyny niekoniecznie myślą jak ludzie i często dochodzą do nieoczekiwanych rozwiązań znanych problemów. Kiedy AlphaGo firmy DeepMind zagrał w Go człowieka, Lee Sedola, ta dynamika doprowadziła do niesławnego „ruchu 37” — pozornie nielogicznego rozmieszczenia figur przez sztuczną inteligencję, które jednak doprowadziło do zwycięstwa.

Nic tak dramatycznego nie wydarzyło się z algorytmem projektowania chipów Google, ale jego plany pięter wyglądają jednak zupełnie inaczej niż te stworzone przez człowieka. Zamiast zgrabnych rzędów komponentów ułożonych na matrycy, podsystemy wyglądają tak, jakby były prawie losowo rozrzucone po krzemie. Ilustracja z Natura pokazuje różnicę, z projektem ludzkim po lewej stronie i projektem uczącym się maszynowym po prawej. Możesz również zobaczyć ogólną różnicę na poniższym obrazku z artykułu Google (uporządkowani ludzie po lewej; pomieszana sztuczna inteligencja po prawej), chociaż układ został zamazany, ponieważ jest poufny:

Zaprojektowany przez człowieka plan piętra z chipami znajduje się po lewej stronie, a plan piętra zaprojektowany przez sztuczną inteligencję po prawej. Obrazy zostały zamazane przez autorów artykułu, ponieważ przedstawiają poufne projekty.
: Mirhoseini, A. i inni

Ten artykuł jest godny uwagi, zwłaszcza że jego badania są obecnie wykorzystywane komercyjnie przez Google. Ale nie jest to jedyny aspekt projektowania układów wspomaganych sztuczną inteligencją. Sam Google badał wykorzystanie sztucznej inteligencji w innych częściach procesu, takich jak „eksploracja architektury”, a rywale, tacy jak Nvidia, szukają innych metod przyspieszenia przepływu pracy. Wygląda na to, że cykl projektowania chipów AI dla sztucznej inteligencji dopiero się zaczyna.

Zostaw komentarz

Maciek Luboński
Z wykształcenia jestem kucharzem , ale to nie przeszkadza mi pisać dla Was tekstów z wielu ciekawych dziedzin , których sam jestem fanem.Piszę dużo i często nie na tak jak trzeba , ale co z tego skoro tak naprawdę liczy się pasja.

Najlepsze recenzje

Video

gallery

Facebook