Недавняя статья от Google показывает очень эффективное применение искусственного интеллекта, которое, я ожидаю, мы увидим еще больше в будущем. В этой статье они представляют алгоритм, который проектирует микросхемы быстрее, чем их человеческие предшественники. Google заявляет, что они уже используют этот алгоритм для создания следующего поколения чипов TPU (Tensor Processing Unit). TPU стали ключевым инструментом для запуска ряда повседневных приложений Google.

Во-первых, что значит разработать микросхему? Что ж, обычно высококвалифицированные инженеры тратят огромное количество времени на создание схемы того, как должны быть организованы все подсистемы (ядра, память и т. Д.). Размещение этих схем имеет большое влияние на скорость обработки и потребление энергии. Вероятно, есть нюанс в экономии денег (меньше материалов - меньше затрат).

Авторы сформулировали проблему чипа как игру. Как видно из приложений Deepmind, таких как AlphaGo, алгоритм сочетает в себе обучение с подкреплением и архитектуру сверточной нейронной сети, чтобы играть в игру.

Чтобы сделать возможным обобщение, мы сосредоточились на изучении переносимых представлений фишек, обосновывая обучение представлений в контролируемой задаче прогнозирования качества размещения. Спроектировав нейронную архитектуру, которая может точно прогнозировать вознаграждение по широкому спектру списков соединений и их размещений, мы можем генерировать встраивание разнообразных функций входных списков соединений. Затем мы используем эту архитектуру в качестве кодировщика нашей сети политик и ценностей, чтобы обеспечить трансферное обучение. В наших экспериментах мы показываем, что по мере того, как наш агент подвергается воздействию большего количества и разнообразия чипов, он становится как быстрее, так и лучше при создании оптимизированных размещений для новых блоков микросхем, приближая нас к будущему, в котором разработчикам микросхем помогают искусственные агенты с большим опытом размещения чипов.

Метод создает технологичные планы этажей чипа менее чем за 6 часов. Это впечатляющие результаты по сравнению с их человеческим аналогом, который требует месяцев интенсивных усилий специалистов-людей. Будет интересно посмотреть, как эту методологию оптимизации можно использовать в новых областях для воздействия за пределами процессорных чипов.

Более того, это указывает на то, как в будущем чипы и алгоритмы будут совместно развиваться. Сложные функции затрат, которые будут определять, как мы создаем оборудование, соответствующее будущему ИИ.