Комп'ютерні новини
Всі розділи
GPU спроектовані в NVIDIA PrefixRL стануть на 25% менше і ефективнішими
При проектуванні інтегральних схем інженери прагнуть створити ефективну і просту у виготовленні конструкцію. Якщо їм вдасться зменшити розмір схеми, витрати на її виробництво також зменшаться. NVIDIA опублікувала у своєму технічному блозі метод, в якому компанія застосувала модель штучного інтелекту під назвою PrefixRL. Використовуючи глибоке навчання з підтримкою, NVIDIA використовує модель PrefixRL, це допоможе перевершити традиційні інструменти EDA (автоматизація проектування електроніки) від великих постачальників, таких як Cadence, Synopsys або Siemens/Mentor. Постачальники EDA зазвичай впроваджують власне рішення штучного інтелекту для розміщення і маршрутизації мікросхем (PnR); проте рішення PrefixRL від NVIDIA, здається, творить дива в робочому процесі компанії.
Метою PrefixRL є створення моделі глибокого, посиленого навчання, зі збереженням затримок як у EDA PnR, але зі зменшенням площі кристала. Згідно з технічним блогом, остання архітектура графічного процесора Hopper H100 використовує 13 000 екземплярів арифметичних схем, розроблених моделлю штучного інтелекту PrefixRL. NVIDIA випустила модель, яка має на 25% меншу площу, ніж порівнянна отримана в EDA. І усе це досягненням аналогічної або кращої продуктивності. Нижче ви можете порівняти дизайн 64-бітового суматора, створений PrefixRL, і такий же дизайн, створений інструментом EDA, що веде в галузі.
Навчання такої моделі вимагає великих обчислювальних ресурсів. NVIDIA повідомляє, що для навчання проектуванню 64-бітової схеми суматора знадобилося 256 ядер ЦП для кожного графічного процесора і 32 000 годин роботи графічного процесора. Компанія розробила Raptor, власну розподілену платформу посиленого навчання, яка використовує унікальні переваги устаткування NVIDIA для такого роду промислового посиленого навчання, яке ви можете побачити нижче, а також схему його роботи. В цілому, система досить складна і вимагає багато апаратного забезпечення і введення даних; проте в результаті виходить графічний процесор меншої площі, але з більшою ефективністю роботи.
