Nvidia n’a pas tardé à sauter sur le bus de l’intelligence artificielle avec bon nombre de ses technologies destinées aux consommateurs, telles que le Deep Learning Super Sampling (DLSS) et le débruitage accéléré par l’IA en sont des exemples. Cependant, il a également trouvé de nombreuses utilisations pour l’IA dans son processus de développement du silicium et, comme l’a déclaré le scientifique en chef de Nvidia, Bill Dally, lors d’une conférence GTC, il a même conçu de nouveaux matériels.
Dally décrit quelques cas d’utilisation de l’IA dans son propre processus de développement des cartes graphiques les plus récentes et les plus performantes (entre autres), comme l’a noté HPC Wire.
« Il est naturel, en tant qu’expert en IA, de vouloir prendre cette IA et de l’utiliser pour concevoir de meilleures puces », déclare Dally.
« Nous le faisons de différentes manières. La première et la plus évidente est que nous pouvons prendre les outils de conception assistée par ordinateur existants que nous avons. Par exemple, nous en avons un qui prend une carte de l’endroit où l’énergie est utilisée dans nos GPU, et prédit jusqu’où le réseau de tension chute 一 ce qu’on appelle la chute IR pour les temps actuels de chute de résistance. L’exécution de cela sur un outil de CAO conventionnel prend trois heures.
« … ce que nous aimerions faire à la place, c’est former un modèle d’IA pour qu’il prenne les mêmes données ; nous le faisons sur un tas de conceptions, puis nous pouvons essentiellement alimenter la carte de puissance. Le temps d’inférence n’est que de trois secondes Bien sûr, c’est 18 minutes si vous incluez le temps d’extraction des fonctionnalités.
« … nous sommes en mesure d’obtenir des estimations de puissance très précises beaucoup plus rapidement qu’avec des outils conventionnels et en une infime partie du temps », poursuit Dally.
Dally mentionne d’autres façons dont l’IA peut être utile pour développer des puces de nouvelle génération. L’une consiste à prédire les parasites, qui sont essentiellement des éléments indésirables dans les composants ou les conceptions qui pourraient être inefficaces ou simplement empêcher quelque chose de fonctionner comme prévu. Plutôt que d’utiliser des heures de travail humain pour les définir, il est possible de réduire le nombre d’étapes nécessaires à la conception de circuits en faisant appel à une IA. Un peu comme un chien renifleur parasite numérique.
De plus, Dally explique que les choix de conception cruciaux dans la conception de la disposition des puces de Nvidia peuvent être aidés par l’IA. Considérez ce travail comme évitant les embouteillages avec des transistors et vous ne seriez probablement pas si loin. L’IA a peut-être un avenir devant elle en prévenant simplement les concepteurs où ces embouteillages peuvent se produire, ce qui pourrait faire gagner beaucoup de temps à long terme.
Le plus intéressant de tous les cas d’utilisation expliqués par Dally est peut-être l’automatisation de la migration cellulaire standard. D’accord, ce n’est pas son tout cela intéressant, mais c’est en fait. Il s’agit essentiellement d’un moyen d’automatiser le processus de migration d’une cellule, comme un élément fondamental d’une puce informatique, vers un nœud de processus plus récent.
C’est donc comme un jeu vidéo Atari, mais c’est un jeu vidéo pour corriger les erreurs de règles de conception dans une cellule standard.
Bill Dally, Nvidia
« Donc, chaque fois que nous obtenons une nouvelle technologie, disons que nous passons d’une technologie de sept nanomètres à une technologie de cinq nanomètres, nous avons une bibliothèque de cellules. Une cellule est quelque chose comme une porte ET et une porte OU, un additionneur complet. Nous ‘ai en fait plusieurs milliers de ces cellules qui doivent être repensées dans la nouvelle technologie avec un ensemble très complexe de règles de conception », explique Dally.
« Nous le faisons essentiellement en utilisant l’apprentissage par renforcement pour placer les transistors. Mais plus important encore, après leur placement, il y a généralement un tas d’erreurs de règles de conception, et cela se passe presque comme un jeu vidéo. En fait, c’est ce que l’apprentissage par renforcement est bon. L’un des bons exemples est l’utilisation de l’apprentissage par renforcement pour les jeux vidéo Atari. C’est donc comme un jeu vidéo Atari, mais c’est un jeu vidéo pour corriger les erreurs de règles de conception dans une cellule standard. En parcourant et en corrigeant ces des erreurs de règles de conception avec l’apprentissage par renforcement, nous sommes en mesure de terminer la conception de nos cellules standard. »
L’outil que Nvidia utilise pour cette migration cellulaire automatisée s’appelle NVCell, et il semblerait que 92 % de la bibliothèque de cellules puisse être migrée à l’aide de cet outil sans erreur. Ensuite, 12% de ces cellules étaient plus petites que les cellules conçues par l’homme.
« Cela fait deux choses pour nous. Premièrement, c’est une énorme économie de main-d’œuvre. C’est un groupe de l’ordre de 10 personnes qui prendra une bonne partie de l’année pour porter une nouvelle bibliothèque technologique. Maintenant, nous pouvons le faire avec quelques GPU. fonctionner pendant quelques jours. Ensuite, les humains peuvent travailler sur ces 8 % des cellules qui n’ont pas été faites automatiquement. Et dans de nombreux cas, nous nous retrouvons également avec une meilleure conception. C’est donc une économie de main-d’œuvre et mieux que la conception humaine. . »
Nvidia utilise donc l’IA accélérée par ses propres GPU pour accélérer le développement de son GPU. Joli. Et bien sûr, la plupart de ces développements seront utiles dans toute forme de fabrication de puces, pas seulement les GPU.
C’est une utilisation intelligente du temps pour Nvidia : développer ces outils d’IA pour son propre développement lui permet non seulement d’accélérer ses propres processus, mais aussi de mieux vendre les avantages de l’IA à ses clients, à qui elle fournit des GPU pour accélérer l’IA. . J’imagine donc que Nvidia y voit un scénario gagnant-gagnant.
Vous pouvez consulter l’intégralité de la conversation avec Dally sur le site Web de Nvidia, bien que vous deviez vous inscrire au programme de développement de Nvidia pour le faire.