A mesterséges intelligencia előnyeit számos helyen élvezhetjük már manapság is, és ezen területek száma tovább bővülhet a nem is oly távoli jövőben. A megfelelően tréningezett neurális hálózatok rengeteg feladatban segíthetnek, egyebek mellett a monoton, időrabló, ismétlődő teendőket bízhatják rájuk, illetve azokat is, ahol óriási adatmennyiségben kell összefüggéseket találni. A mesterséges intelligencia a hatékonyabb, időtakarékosabb munkavégzésben is segíthet, amelynek eredményeként például jobb chiptervek jöhetnek létre. Ezeknél a teljesítményre, a lapka felépítésére, illetve a költségekre és az energiahatékonyságra is pozitív hatásokat gyakorol az MI, legalábbis az Nvidia friss tanulmányának eredményei erre utalnak.
Az Nvidia a nem is oly távoli jövőben szeretné bevetni a mesterséges intelligenciát a következő generációs chipek tervezésének folyamatában. A GPU alapú gyorsítással működő AI/ML optimalizáció az eddigi gyakorlatokhoz képest akár harmincszoros gyorsulást is képet elérni a chipdizájn megtervezésénél, ami nem egy elhanyagolható előny.
Az új fejlesztés az AutoDMP (Aotumated DREAMPlace-based Macro Placement) nevet viseli és a meglévő EDA (Electronic Design Automation) szoftverekhez kapcsolódva végezheti el áldásos munkáját. A mesterséges intelligencia alapú szoftver lényegében segít abban, hogy a chipet alkotó egyes komponensek elhelyezése optimális lehessen. Ez alapvetően egy elég időigényes folyamat, amelynek gyorsítása sokat hozhat a konyhára, hiszen a felszabaduló mérnöki órákat innovációra és fontosabb feladatokra lehet fordítani.
Az Nvidia példájában az újítást arra használták, hogy segítsen 256 darab RISC-V processzormag ideális elhelyezésében, a chip összesen 2,7 millió normál cellából és 320 memória-makróból állt. Az optimális elhelyezést az AutoDMP egy Nvidia DGX Station A100-as konfiguráción futva összesen 3,5 óra alatt készítette el, ami jókora előrelépés.
A makrók elhelyezése alapvetően befolyásolja a chip dizájnját, ugyanis közvetlen hatást gyakorol számos tulajdonságra, mint például a kiterjedésre, illetve a fogyasztásra is. A komponensek optimális elhelyezése egy kulcsfontosságú dolog, hiszen segítségével a teljesítményt és az energiahatékonyságot egyaránt optimalizálni lehet, ezek pedig igen fontos szempontok a megrendelők szemszögéből nézve.
Az elhelyezés során az AutoDMP figyelembe veszi a vezetékelés hosszával kapcsolatos szempontokat, valamint az elhelyezési sűrűséget is, majd az optimalizációt és az elhelyezési sűrűséggel kapcsolatos korlátozásokat szem előtt tartva numerikusan elvégzi a feladatot. A lenti animációban látható piros területek a makrók, míg a szürkék a normál cellák, ezeket próbálja úgy elhelyezni az algoritmus, hogy közben minimalizálja a vezetékelés hosszát, valamint a komponensek optimális elhelyezésére is figyel annak érdekében, hogy a chip korlátozott méretű területet használjon fel.
Az AutoDMP által megtervezett chipet 7 területen hasonlították össze a meglévő alternatív chipdizájnokkal, és azt látták, hogy fogyasztás, vezetékhossz, TNS (Total Negative Slack), illetve WNS (Worst Negative Stack) terén egyaránt jobbak bizonyul a rivális dizájnokhoz képest. Maga az AutoDMP egy nyílt forráskódú megoldás, amelynek kódja elérhető a GitHub virtuális hasábjain keresztül.
Érdekesség, hogy nemcsak az Nvidia, hanem egyéb szereplők is próbálják bevezetni a mesterséges intelligencia használatát a chipdizájn területére, ilyen például a Synopsys által fejlesztett DSO.ai automatizációs eszköz, amiről még február folyamán számoltunk be. Akkoriban a DSO.ai segítségével már 100 kereskedelmi chip tape-out folyamatában használták fel a szoftvert, amellyel értékes mérnöki munkaóra-mennyiség szabadítható fel, hiszen az „unalmas iteratív munkafolyamatokat” az AI elvégzi, így a mérnökök innovációra és fontos problémák megoldására fordíthatják értékes tudásukat.
