Nuestro método de inteligencia artificial ha acelerado y optimizado el diseño de chips de computadora, y sus diseños sobresalen en el mundo entero. En 2020, lanzamos una versión preliminar presentando nuestro nuevo método de aprendizaje refuerzado para diseñar diseños de chips, más tarde publicado en Nature y abierto al público. Hoy en día, estamos publicando una adición de Nature que describe aún más sobre nuestro método y su impacto en el campo del diseño de chips. También estamos lanzando un control pre-entrenado, compartiendo los pesos del modelo y anunciando su nombre: AlphaChip.
Los chips han impulsado una notoria evolución en la inteligencia artificial, y AlphaChip se venga devolviendo mediante el uso de IA para acelerar y optimizar el diseño de chips. El método se ha utilizado para diseñar diseños de chips sobresalientes en las últimas tres generaciones del acelerador de la Inteligencia Artificial personalizada de Google, la Unidad de Procesamiento de Tensor (TPU). AlphaChip fue uno de los primeros métodos de aprendizaje refuerzado utilizados para resolver un problema de ingeniería en el mundo real. Genera diseños de chips sobresalientes o comparables en horas, en lugar de tomarlos semanas o meses de esfuerzo humano, y sus diseños se utilizan en chips de todo el mundo, desde centros de datos a Teléfonos móviles. “El enfoque innovador de IA de AlphaChip revoluciona una fase clave del diseño de chips”. S. R. Tsai, Vicepresidente Senior de MediaTek. Cómo funciona AlphaChip: Diseñar un diseño de chip no es una tarea sencilla. Los chips de computadora se componen de muchos bloques interconectados, con capas de componentes de circuito, todos conectados por alambres increíblemente delgados. También hay mucho diseño complejo y entrelazado debido a su gran complejidad, los diseñadores han luchado para automatizar el proceso de planificación del piso del chip durante más de sesenta años. Similar a AlphaGo y AlphaZero, que dominaron juegos como Go, ajedrez y shogi, construimos AlphaChip para abordar la planificación del piso de chips como si fuera un tipo de juego. Se coloca un componente de circuito en cada paso hasta que se haya terminado de colocar todos los componentes. Luego se premia en función de la calidad del diseño final. Una nueva red neuronal gráfica ‘basada en el borde’ permite a AlphaChip aprender las relaciones entre los componentes interconectados y para generalizar a través de chips, dejando que AlphaChip mejore con cada diseño que diseña. Pausa del video. Reproducir vídeo a la izquierda: Animación que muestra AlphaChip colocando el chip de código abierto Ariane RISC-V sin experiencia previa.
A derecha: Animación mostrando a AlphaChip ubicando el mismo bloque después de haber practicado con 20 diseños relacionados con TPU. Utilizando IA para diseñar los chips de acelerador de IA de Google, AlphaChip ha generado diseños de chip superhumanos utilizados en cada generación de TPUs de Google desde su publicación en 2020. Estos chips permiten escalar masivamente los modelos de IA basados en Google. Las TPUs se encuentran en el corazón de nuestros poderosos sistemas de IA generativa, como Géminis y otros grandes modelos lingüísticos, así como generadores de imágenes y vídeo. Estos aceleradores de IA también están en el corazón de los servicios de IA de Google y están disponibles para usuarios externos a través de Google Cloud. Una fila de superordenadores del acelerador de IA Cloud TPU v5p en un centro de datos de Google. Para diseñar bloques de chips de TPU, AlphaChip practica primero en una amplia gama de bloques de chip de generaciones anteriores, como el chip y los módulos inter-chip de red, controladores de memoria y buffers de transporte de datos. Este proceso se conoce como preentrenamiento. AlphaChip crea bloques TPU actuales para generar diseños de alta calidad. A diferencia de los enfoques anteriores, AlphaChip mejora y se vuelve más rápido resolviendo más instancias de la tarea de ubicación de chips, similar a cómo lo hacen humanos expertos. Con cada nueva generación de TPU, incluyendo nuestro último Trillium (6a generación), AlphaChip ha diseñado mejores diseños de chip y ha mejorado el ciclo de diseño y la producción de chips de mayor rendimiento. Gráfico de barras que muestra el número de bloques de chips diseñados por AlphaChip a través de tres generaciones de Unidades de Procesamiento de Tensor de Google (TPUs), incluyendo v5e, v5p y Trillium. Gráfico de barras que muestra la reducción media de longitud de alambre de AlphaChip a través de tres generaciones de unidades de procesamiento de Tensor de Google (TPUs), en comparación con las colocaciones generadas por el equipo de diseño físico de TPU. El impacto más amplio de AlphaChip es visible a través de sus aplicaciones en Alphabet, la comunidad de investigación y la industria del diseño de chips. Más allá de diseñar aceleradores de IA especializados como los TPUs, AlphaChip ha generado diseños para otros chips a través de Alphabet, como los Google Axion Processors, nuestras primeras CPUs de centro de datos de uso general basadas en brazos.
Por ejemplo, MediaTek, una de las principales empresas de diseño de chips en el mundo, ha ampliado AlphaChip con el fin de acelerar el desarrollo de sus chips más avanzados, mejorando a la vez su potencia, rendimiento y área. La expansión de AlphaChip ha provocado una explosión de trabajo en IA para el diseño de chips, extendiéndose a etapas críticas del proceso de diseño de chips como la síntesis lógica y la selección macro. 'AlphaChip ha inspirado una nueva línea de investigación sobre aprendizaje refuerzado en la ingeniería de chips, creemos que tiene el potencial de optimizar cada paso del ciclo de diseño del chip, desde arquitectura computacional hasta fabricación — y transformar el diseño de chips personalizados para dispositivos comunes como teléfonos inteligentes, equipos médicos, sensores agrícolas y más. Las versiones futuras de AlphaChip están en desarrollo actualmente, y trabajamos con la comunidad para seguir revolucionando esta área e impulsar un futuro en el que las fichas sean aún más rápidas, baratas y eficientes.
