گوگل از هوش مصنوعی برای طراحی نسل بعدی تراشه‌های هوش مصنوعی با سرعت بیشتری نسبت به بشر استفاده می‌کند

منتشر‌شده در: مجله خبری The Verge به تاریخ ۱۰ ژوئن ۲۰۲۱
لینک منبع: Google is using AI to design its next generation of AI chips more quickly than humans can

گوگل از یادگیری ماشینی برای کمک به طراحی نسل بعدی تراشه‌های یادگیری ماشینی استفاده می‌کند. به گفته مهندسان گوگل، طرح‌های این الگوریتم «قابل‌مقایسه یا برتر» از طرح‌های ایجاد شده توسط انسان‌ها هستند، اما می‌توانند بسیار سریع‌تر تولید شوند.

با توجه به این غول فن‌آوری، کاری که ماه‌ها طول می‌کشد تا بشر بتواند در کم‌تر از شش ساعت توسط هوش مصنوعی انجام شود.

گوگل سال‌ها بر روی چگونگی استفاده از یادگیری ماشینی برای ایجاد تراشه کار کرده‌است، اما این تلاش اخیر -که این هفته در مقاله‌ای در مجله Nature توضیح داده شد-به نظر می‌رسد اولین بار است که تحقیق آن برای یک محصول تجاری به کار می‌رود: نسخه آینده تراشه‌های TPU خود گوگل (واحد پردازش تانسور) ، که برای محاسبه هوش مصنوعی بهینه شده‌اند.

«روش ما در تولید برای طراحی نسل بعدی Google TPU مورد استفاده قرار گرفته‌است.» نویسندگان این مقاله را با همکاری دانشمندان تحقیقات گوگل، آزالیا میرحسینی و آنا گلدی بنویسید.

به عبارت دیگر، هوش مصنوعی به شتاب بخشیدن به توسعه آینده هوش مصنوعی کمک می‌کند.

در این مقاله، مهندسان گوگل اشاره می‌کنند که این کار «پیامدهای مهمی» برای صنعت تراشه دارد. باید به شرکت‌ها اجازه دهد تا به سرعت فضای معماری ممکن برای طرح‌های آینده را کشف کنند و به راحتی چیپ‌ها را برای بارهای کاری خاص سفارشی کنند.

یک سرمقاله در Nature ، این تحقیق را یک «دستاورد مهم» می‌نامد، و اشاره می‌کند که چنین کاری می‌تواند به جبران پایان پیش‌بینی‌شده قانون مور کمک کند -یک اصل طراحی تراشه از دهه ۱۹۷۰ که می‌گوید تعداد ترانزیستورهای روی تراشه هر دو سال دو برابر می‌شود. هوش مصنوعی لزوما چالش‌های فیزیکی فشردگی بیشتر و بیشتر ترانزیستورها بر روی تراشه را حل نخواهد کرد، اما می‌تواند به یافتن مسیرهای دیگری برای افزایش عملکرد با نرخ یکسان کمک کند.

وظیفه خاصی که الگوریتم‌های گوگل به آن پرداخته‌اند، «برنامه‌ریزی شناور» نام دارد. این امر معمولا نیاز به طراحان انسانی دارد که با کمک ابزارهای کامپیوتری برای یافتن طرح بهینه بر روی یک قالب سیلیکون برای سیستم‌های فرعی یک تراشه کار کنند. این اجزا شامل چیزهایی مانند CPUها، GPUها و هسته‌های حافظه هستند که با استفاده از ده‌ها کیلومتر سیم‌کشی کوچک به هم متصل شده‌اند. تصمیم‌گیری در مورد این که هر مولفه را در یک قالب قرار دهیم، بر سرعت نهایی و کارایی چیپ تاثیر می‌گذارد. و با توجه به مقیاس تولید تراشه و چرخه محاسباتی، تغییرات در مقیاس نانو می‌تواند اثرات بزرگی داشته باشد.

مهندسان گوگل اشاره می‌کنند که طراحی طرح‌های شناور نیاز به «ماه‌ها تلاش شدید» برای انسان داشته، اما، از دیدگاه یادگیری ماشینی، یک راه آشنا برای مقابله با این مشکل وجود دارد: به عنوان یک بازی.

هوش مصنوعی بارها و بارها ثابت کرده‌است که می‌تواند در بازی‌های برد مانند شطرنج و Go بهتر از انسان‌ها عمل کند، و مهندسان گوگل اشاره می‌کنند که برنامه‌ریزی شناور مشابه چنین چالش‌هایی است. به جای یک صفحه بازی، شما یک قالب سیلیکونی دارید. به جای تکه‌هایی مثل شوالیه و قلعه، شما تکه‌هایی مثل CPUها و GPUها دارید. بنابراین، وظیفه یافتن «شرایط برنده» هر برد است. در شطرنج که ممکن است مورد بررسی قرار گیرد، در طراحی چیپ، این کار کارایی محاسباتی دارد.

مهندسان گوگل یک الگوریتم یادگیری تقویتی را بر روی یک مجموعه داده از ۱۰۰۰۰ طرح شناور تراشه با کیفیت متفاوت آموزش دادند، که برخی از آن‌ها به طور تصادفی تولید شده‌اند. هر طرح با یک تابع «پاداش» مشخص براساس موفقیت آن در میان معیارهای مختلف مانند طول سیم مورد نیاز و مصرف برق برچسب‌گذاری شد. سپس الگوریتمی از این داده‌ها برای تمایز بین طرح‌های شناور خوب و بد و تولید طرح‌های خود استفاده کرد.

همانطور که دیدیم، هنگامی که سیستم‌های هوش مصنوعی در بازی‌های گروهی بر روی انسان‌ها سوار می‌شوند، ماشین‌ها لزوما مانند انسان‌ها فکر نمی‌کنند و اغلب به راه‌حل‌های غیر منتظره برای مشکلات آشنا می‌رسند. هنگامی که آلفاگو از دیپ ذهن نقش لی سیدل در گو را بازی کرد، این پویایی منجر به «حرکت ۳۷» بدنام شد -نمایش ظاهرا غیر منطقی توسط هوش مصنوعی که با این وجود منجر به پیروزی شد.

هیچ چیز به این بزرگی در الگوریتم طراحی تراشه گوگل اتفاق نیفتاد، اما طرح‌های کف آن با آن‌هایی که توسط یک انسان ایجاد شده‌اند، کاملا متفاوت به نظر می‌رسند. به جای ردیف‌های مرتب از قطعات که بر روی قالب قرار گرفته‌اند، زیر سیستم‌ها به نظر می‌رسد که تقریبا به صورت تصادفی بر روی سیلیکون پخش شده‌اند. تصویری از Nature تفاوت را بین طراحی انسان در سمت چپ و طراحی یادگیری ماشینی در سمت راست نشان می‌دهد. همچنین می‌توانید تفاوت کلی در تصویر زیر را از مقاله گوگل ببینید (انسان‌های منظم در سمت چپ؛ هوش مصنوعی درهم و برهم در سمت راست)، اگرچه طرح آن به دلیل محرمانه بودن، تار شده‌است:

این مقاله قابل‌توجه است، به خصوص به این دلیل که تحقیق آن در حال حاضر به صورت تجاری توسط گوگل مورد استفاده قرار می‌گیرد. اما این تنها جنبه طراحی تراشه به کمک هوش مصنوعی نیست. گوگل خود با استفاده از هوش مصنوعی در بخش‌های دیگر فرآیند مانند «اکتشاف معماری» کشف شده‌است و رقبایی مانند Nvidia به دنبال روش‌های دیگری برای سرعت بخشیدن به روند کار هستند. چرخه مناسب طراحی تراشه‌های هوش مصنوعی برای هوش مصنوعی به نظر می‌رسد که تازه شروع شده‌است.

این متن با استفاده از ربات مترجم مقاله تکنولوژی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.