NVIDIA vytváří novou generaci GPU „lepší než člověk“ s AI a strojovým učením

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.

Grafické karty NVIDIA GeForce a AMD Radeon nyní stojí pod 20 % nad doporučenou doporučenou cenou, což je dobré pro hráče, ale ohledně krypto sektoru panuje nejistota

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“.

AMD vyvíjí knihovnu HIP RT: nabízí vývojářům jednodušší, ale výkonnou aplikaci pro sledování paprsku pro moderní vývoj

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.