گوگل با معرفی فناوری Alphachip راهی جدید و کارآمد برای طراحی تراشه های کامپیوتری ارائه کرده است. این فناوری به هوش مصنوعی اجازه می دهد تا با استفاده از روش یادگیری تقویتی، آرایش بهینه اجزای تراشه را پیدا کند.
به گزارش TechNock، گوگل یک روش یادگیری تقویتی جدید به نام AlphaChip را معرفی کرده است که فرآیند طراحی طراحی تراشه ها را به شدت متحول می کند. هوش مصنوعی Alphachip طراحی تراشه را با بهینه سازی عملکرد، توان و مصرف مساحت کارآمدتر می کند. این روش که اکنون در دسترس عموم قرار گرفته است، نقش مهمی در طراحی واحدهای پردازش تنسور (TPU) گوگل دارد و مورد توجه شرکت های دیگری مانند مدیاتک قرار گرفته است.
Tomshardor می نویسد که طراحی فیزیکی تراشه، از جمله چیدمان ترانزیستورها بر روی سیلیکون، همیشه یکی از مراحل پیچیده و زمان‌بر در توسعه یک تراشه بوده است. در سال های اخیر، شرکت هایی مانند Synapsis که از هوش مصنوعی استفاده می کنند، ابزارهایی را برای خودکارسازی و بهینه سازی این فرآیند معرفی کرده اند.
با این حال، هزینه بالای این ابزارها مانع دسترسی گسترده طراحان به این فناوری شده است. با هدف دموکراتیک کردن طراحی تراشه، گوگل در تلاش است تا این فناوری را در اختیار طیف وسیع تری از طراحان قرار دهد و توسعه تراشه را تسریع بخشد.
طراحی یک تراشه نقشه پیچیده مانند GPU یک کار گران و زمان بر است. مهندسان معمولاً دو سال یا بیشتر را در این زمینه صرف می کنند. با این حال، گوگل این فرآیند را با استفاده از هوش مصنوعی متحول کرده است. سیستم هوش مصنوعی گوگل به نام AlphaChip می تواند در عرض چند ساعت یک نقشه دقیق و بهینه از یک تراشه پیچیده ایجاد کند.
این سیستم نه تنها زمان طراحی را تا حد زیادی کاهش می دهد. همچنین طرح های بهتری را ارائه می دهد. طرح هایی که مصرف برق را کاهش داده و عملکرد تراشه را افزایش می دهند. گوگل با مقایسه طرح های Alphachip با طرح های مهندسان نشان داده است که این سیستم می تواند طول کابل های داخل تراشه را به میزان قابل توجهی کاهش دهد و در نتیجه کارایی تراشه را بهبود بخشد.
آلفاچیپ از روشی هوشمندانه به نام یادگیری تقویتی برای طراحی مدارهای مجتمع استفاده می کند. به زبان ساده، Alphachip چینش اجزای تراشه را به عنوان یک بازی می بیند. با گذشت زمان، Alphachip یاد می گیرد که قطعات را به بهترین شکل ممکن کنار هم قرار دهد تا یک تراشه بهینه و کارآمد تولید کند. برای انجام این کار، AlphaChip از یک شبکه عصبی گراف استفاده می کند. این شبکه به Alphachip کمک می کند تا روابط پیچیده بین اجزای مختلف تراشه را درک کند و تصمیمات بهتری بگیرد.
از سال 2020، Alphachip به عنوان قلب شتاب دهنده های هوش مصنوعی TPU گوگل شناخته می شود. این تراشه های قدرتمند از مدل های عظیم هوش مصنوعی مانند Jamnai و Imagen پشتیبانی می کنند که خدمات ابری گوگل را تقویت می کنند.
Alphachip با طراحی های پیشرفته خود هر نسل از TPU را قدرتمندتر و کارآمدتر کرده است. به عنوان مثال، تراشه های نسل ششم Trillium، بر اساس طرح های Alphachip، عملکرد چشمگیری ارائه می دهند. با این حال، علی‌رغم همه پیشرفت‌ها، گوگل و مدیاتک همچنان به توسعه‌دهندگان انسانی برای طراحی و توسعه پیچیده‌ترین بخش‌های تراشه‌ها متکی هستند.
گسترش استفاده از هوش مصنوعی برای توسعه تراشه
تاکنون از AlphaChip برای طراحی طیف وسیعی از پردازنده‌ها از جمله TPUهای گوگل (برای هوش مصنوعی) و چیپ‌ست‌های Dimensity 5G مدیاتک (که در بسیاری از گوشی‌های هوشمند استفاده می‌شود) استفاده شده است. این نشان می دهد که Alphachip توانایی سازگاری با انواع مختلف معماری پردازنده را دارد.
گوگل ادعا می کند که AlphaChip بر روی مجموعه بزرگی از بلوک های ساختمانی از پیش طراحی شده آموزش دیده است. به همین دلیل می توانید با تمرین بیشتر طرح های بهینه تری تولید کنید. ماشین‌ها در مقایسه با انسان‌ها توانایی یادگیری و بهبود عملکرد خود را با سرعت بیشتری دارند.
گوگل اعلام کرده است که موفقیت پروژه AlphaChip انقلاب بزرگی در استفاده از هوش مصنوعی برای طراحی تراشه ایجاد کرده است. این شرکت معتقد است که این دستاورد موج جدیدی از تحقیقات را در زمینه به کارگیری هوش مصنوعی در مراحل مختلف طراحی تراشه به راه انداخته است.
