Nvidia veut utiliser les GPU et l’IA pour accélérer et améliorer la conception future des puces
Français
Prospective : Lorsqu’il n’est pas occupé à construire certains des siliciums les plus avancés, Nvidia explore des moyens d’améliorer le processus de conception de puces en utilisant le même silicium qu’il fabrique. La société s’attend à ce que la complexité de la conception de circuits intégrés augmente de façon exponentielle dans les années à venir. Ainsi, l’ajout de la puissance du calcul GPU passera bientôt d’une expérience de laboratoire intrigante à une nécessité pour tous les fabricants de puces.
Au cours d’une parler Lors de la conférence sur la technologie GPU de cette année, le scientifique en chef et vice-président senior de la recherche de Nvidia, Bill Dally, a beaucoup parlé de l’utilisation des GPU pour accélérer les différentes étapes du processus de conception derrière les GPU modernes et d’autres SoC. Nvidia pense que certaines tâches pourraient être effectuées mieux et beaucoup plus rapidement en utilisant l’apprentissage automatique plutôt que les humains à la main, ce qui les libérerait pour travailler sur des aspects plus avancés du développement de puces.
Dally dirige une équipe d’environ 300 chercheurs qui s’attaquent à tout, des défis technologiques liés à la création de GPU toujours plus rapides au développement de logiciels qui exploitent les capacités de ces GPU pour automatiser et accélérer une variété de tâches qui étaient traditionnellement effectuées principalement à la main. Cette équipe de recherche est passée de 175 personnes en 2019 et devrait se développer dans les années à venir.
En ce qui concerne l’accélération de la conception des puces, Dally déclare que Nvidia a identifié quatre domaines dans lesquels l’utilisation des techniques d’apprentissage automatique peut avoir un impact significatif sur le calendrier de développement typique. Par exemple, cartographier où la puissance est utilisée dans un GPU est un processus itératif qui prend trois heures sur un outil de CAO conventionnel, mais cela ne prend que quelques minutes en utilisant un modèle d’IA formé spécifiquement pour cette tâche. Une fois appris, le modèle peut réduire le temps à quelques secondes. Bien sûr, les modèles d’IA échangent la vitesse contre la précision. Cependant, Dally affirme que les outils de Nvidia atteignent déjà une précision de 94 %, ce qui reste un chiffre respectable.
La conception de circuits est un processus à forte intensité de main-d’œuvre où les ingénieurs peuvent avoir besoin de modifier la disposition plusieurs fois après avoir exécuté des simulations sur des conceptions partielles. Ainsi, la formation de modèles d’IA pour faire des prédictions précises sur les parasites peut aider à éliminer une grande partie du travail manuel nécessaire pour effectuer les ajustements mineurs nécessaires pour répondre aux spécifications de conception souhaitées. Nvidia peut tirer parti des GPU pour prédire les parasites en utilisant des réseaux de neurones graphiques.
Dally explique que l’un des plus grands défis dans la conception de puces modernes est la congestion du routage – un défaut dans une configuration de circuit particulière où les transistors et les nombreux fils minuscules qui les relient ne sont pas placés de manière optimale. Cette condition peut conduire à quelque chose qui ressemble à un embouteillage, mais dans ce cas, ce sont des morceaux au lieu de voitures. Les ingénieurs peuvent identifier rapidement les zones problématiques et ajuster leur placement et leur routage en conséquence en utilisant un réseau neuronal graphique.
Dans ces scénarios, Nvidia essaie essentiellement d’utiliser l’IA pour critiquer les conceptions de puces faites par des humains. Au lieu de se lancer dans un processus à forte intensité de main-d’œuvre et coûteux en calculs, les ingénieurs peuvent créer un modèle de substitution, l’évaluer et l’itérer rapidement à l’aide de l’IA. La société souhaite également utiliser l’IA pour concevoir les fonctionnalités les plus élémentaires de la logique de transistor utilisée dans les GPU et autres silicium avancés.
Nvidia prend les mesures nécessaires pour passer à un nœud de fabrication plus avancé, où plusieurs milliers de cellules dites standard doivent être modifiées selon des règles de conception complexes. Un projet appelé NVCell cherche à automatiser autant que possible ce processus grâce à une approche appelée apprentissage par renforcement.
Le modèle d’IA formé est utilisé pour corriger les erreurs de conception jusqu’à ce qu’il soit terminé. Nvidia affirme qu’à ce jour, elle a atteint un taux de réussite de 92 %. Dans certains cas, les cellules conçues par l’IA étaient plus petites que celles fabriquées par les humains. Cette percée pourrait aider à améliorer les performances globales de la conception et à réduire la taille de la puce et les besoins en énergie.
La technologie des procédés approche rapidement des limites théoriques de ce que nous pouvons faire avec le silicium. Dans le même temps, les coûts de production augmentent à chaque transition de nœud. Ainsi, toute légère amélioration au stade de la conception peut conduire à de meilleurs rendements, surtout si elle réduit la taille des copeaux. Nvidia sous-traite la fabrication à Samsung et TSMC. Cependant, Dally dit que NVCell permet à l’entreprise d’utiliser deux GPU pour faire le travail d’une équipe de dix ingénieurs en quelques jours, les laissant se concentrer sur d’autres domaines.
Nvidia n’est pas le seul à emprunter la voie de l’IA pour concevoir des puces. Google utilise également l’apprentissage automatique pour développer accélérateurs pour les tâches d’IA. Le géant de la recherche a découvert que l’intelligence artificielle peut créer des moyens inattendus pour optimiser les performances et l’efficacité énergétique. La division fonderie de Samsung les usages un outil Synopsys appelé DSO.ai, que d’autres entreprises, grandes et petites, adoptent progressivement.
Il convient également de noter que les fonderies peuvent également tirer parti des puces de fabrication d’IA sur des nœuds de processus matures (12 nm et plus) pour remédier à un manque de capacité de fabrication qui s’est avéré préjudiciable au fonctionnement de l’industrie automobile au cours des deux dernières années. La plupart des fabricants hésitent à investir dans ce domaine, car l’espace des semi-conducteurs est très compétitif et se concentre sur l’avant-garde.
Plus de 50 % de toutes les puces sont conçues sur des nœuds de processus matures. Analystes d’International Data Corporation attendre cette part passera à 68 % d’ici 2025. Synopsis Le PDG Aart de Geus pense que l’IA peut aider les entreprises motif puces plus petites et plus économes en énergie où la performance n’est pas une priorité absolue, comme les voitures, les appareils électroménagers et certains équipements industriels. Cette approche est beaucoup moins coûteuse que la migration vers un nœud de processus plus avancé. De plus, l’installation de plus de puces sur chaque plaquette entraîne également des économies de coûts.
Cette histoire ne concerne pas l’IA remplaçant les humains dans le processus de conception des puces. Nvidia, Google, Samsung et d’autres ont découvert que l’IA peut augmenter les humains et faire le gros du travail lorsque des conceptions de plus en plus complexes sont concernées. Les humains doivent encore trouver les problèmes idéaux à résoudre et décider quelles données permettent de valider leurs conceptions de puces.
Il y a beaucoup de débats autour de l’intelligence artificielle générale et du moment où nous pourrions être en mesure de la créer. Pourtant, tous les experts se mettre d’accord que les modèles d’IA que nous utilisons aujourd’hui peuvent à peine traiter des problèmes spécifiques que nous connaissons et pouvons décrire. Même dans ce cas, ils peuvent produire des résultats inattendus qui ne sont pas nécessairement utiles aux objectifs finaux.
