AI sonunda tam bir döngüye girdi.

Google Brain'den yeni bir algoritma paketi artık bilgisayar çipleri tasarlayabilir-özel olarak uyarlanmış olanlar AI yazılımı çalıştırmak- bu, insan uzmanlar tarafından tasarlananlardan çok daha iyi performans gösteriyor. Ve sistem sadece birkaç saat içinde çalışır ve normalde dijital inovasyonu baltalayan haftalar veya aylarca süren süreci önemli ölçüde azaltır.

Bu robotik çip tasarımcılarının kalbinde, derin pekiştirmeli öğrenme adı verilen bir tür makine öğrenimi vardır. Gevşek bir şekilde insan beyninin işleyişine dayanan bu algoritma ailesi, Chess, Go ve neredeyse dünya çapındaki oyunlarda biyolojik sinirsel ilhamlarına karşı zafer kazandı. tüm Atari kataloğu.

Ancak oyun, sadece bu AI ajanlarının anaokulu eğitimiydi. Daha yakın zamanlarda, Covid-19 için yeni ilaçlarla mücadele etmek, biyolojinin en büyük zorluklarından birini çözmek ve insan beyninin sırlarını ortaya çıkarmak için büyüdüler.

Yeni çalışmada, daha verimli çalışmasına izin veren donanımı üreterek, derin pekiştirmeli öğrenme, gerçek dünyada kaslarını bir kez daha esnetiyor. Takım, oyunun unsurlarını akıllıca çip tasarımı insan tasarımcılar için tamamen "garip ve yabancı" olan, ancak yine de güzel çalışan kavramlarla sonuçlandı.

Bu sadece teori değil. AI'nın çip tasarım öğelerinin bir kısmı, AI algoritmalarının daha hızlı ve verimli çalışmasına yardımcı olmak için tasarlanan şirketin AI hızlandırıcı yongası olan Google'ın tensör işleme birimine (TPU) dahil edildi.

“Bu çalışma ile vizyonumuz buydu” şuraya çalışma yazarı Anna Goldie. "Makine öğrenimi artık donanım ve sistemlerdeki gelişmeler sayesinde bu kadar yetenekli hale geldiğine göre, kullanabilir miyiz? AI geleceğin yapay zeka algoritmalarını çalıştırmak için daha iyi sistemler tasarlamak için mi?"

Çip Tasarım Bilimi ve Sanatı

Genelde telefonumdaki, dizüstü bilgisayarımdaki ve evime yayılmış milyonlarca başka cihazdaki mikroçipleri düşünmüyorum. Ancak bunlar, bu sevilen cihazları kontrol eden ana kayadır - donanım “beyni”dir.

Genellikle bir tırnaktan daha büyük olmayan mikroçipler, hesaplamaları optimize etmek için on milyonlarca bileşeni bir araya getiren mükemmel mühendislik başarılarıdır. Günlük olarak, kötü tasarlanmış bir çip, yavaş yükleme süreleri ve ölümün çıkrık anlamına gelir - kimsenin istemediği bir şey.

Çip tasarımının can alıcı noktası, “yer planlama” adı verilen bir süreçtir. şuraya San Diego'daki California Üniversitesi'nden Dr. Andrew Kahng, bu çalışmaya dahil olmadı. Yeni bir alana taşındıktan sonra mobilyalarınızı düzenlemeye benzer şekilde, yonga zemin planlaması, işlem hızını ve güç verimliliğini optimize etmek için bir yonga üzerindeki farklı bellek ve mantık bileşenlerinin yerini değiştirmeyi içerir.

Bu çok zor bir görev. Her çip, hesaplama için kullanılan milyonlarca mantık kapısı içerir. Bunların yanında, makro bloklar adı verilen ve verileri kaydeden binlerce bellek bloğu dağılmıştır. Bu iki ana bileşen daha sonra onlarca kilometrelik kablolarla birbirine bağlanır, böylece çip hız, ısı üretimi ve enerji tüketimi açısından mümkün olan en iyi şekilde çalışır.

Kahng, "Bu şaşırtıcı karmaşıklık göz önüne alındığında, çip tasarım sürecinin kendisi başka bir mucizedir - özel yazılım araçlarıyla desteklenen mühendislerin çabalarının karmaşıklığı kontrol altında tutması," diye açıklıyor Kahng. Çoğu zaman, zemin planlama, insan uzmanlar tarafından haftalar hatta aylar süren özenli bir deneme yanılma süreci gerektirir.

Yine de altmış yıllık çalışma ile bile, süreç hala bilim ve sanatın bir karışımıdır. Kahng, "Şimdiye kadar, özellikle zemin planlama görevi, tüm otomasyon girişimlerine meydan okudu" dedi. Bir tahmin, yalnızca "bellek" makro bloklarının yerleştirilmesi için farklı konfigürasyonların sayısının yaklaşık 10 olduğunu gösteriyor.^2,500-büyüklükler daha büyük evrendeki yıldız sayısından fazladır.

Kurtarmaya Oyna oyunu

Bu karmaşıklık göz önüne alındığında, süreci otomatikleştirmeyi denemek çılgınca görünüyor. Ancak Google Brain, akıllıca bir dokunuşla tam da bunu yaptı.

Makro blokları ve diğer bileşenleri satranç taşları olarak düşünüyorsanız, çip tasarımı, daha önce derin pekiştirmeli öğrenme ile öğrenilenlere benzer bir tür oyun haline gelir. Temsilcinin görevi, oyunu kazanmak için makro blokları sırayla bir çip üzerine optimize edilmiş bir şekilde yerleştirmektir. Tabii ki, herhangi bir saf AI ajanı mücadele ederdi. Arka plan bilgisi olarak ekip, acentelerini 10,000'den fazla çip kat planıyla eğitti. Bu bilgi kitaplığı ile aracı, çeşitli alternatifleri keşfedebilir.

Tasarım sırasında, bizim öğrenme şeklimize benzer bir tür “deneme-yanılma” süreciyle çalıştı. Kat planını geliştirmenin herhangi bir aşamasında, AI aracısı öğrenilen bir stratejiyi kullanarak nasıl çalıştığını değerlendirir ve ilerlemenin en uygun yoluna, yani bir sonraki bileşeni nereye yerleştireceğine karar verir.

“Boş bir tuvalle başlıyor ve çipin her bir bileşenini birer birer tuvale yerleştiriyor. En sonunda, ne kadar iyi yaptığına bağlı olarak bir puan – bir ödül – alır,” diye açıkladı Goldie. Geri bildirim daha sonra AI aracısının temelini oluşturan tüm yapay sinir ağını güncellemek ve onu başka bir dolaşmaya hazır hale getirmek için kullanılır.

Puan, her zaman aynı olmayan çip tasarımının kısıtlamalarını takip etmek için dikkatlice hazırlanmıştır. Her çip kendi oyunudur. Örneğin bazıları bir veri merkezinde konuşlandırılırsa güç tüketimini optimize etmesi gerekir. Ancak kendi kendini süren arabalara yönelik bir çip, olası tehlikeleri hızla tespit edebilmesi için gecikmeyi daha fazla önemsemelidir.

Biyo-Çip

Bu yaklaşımı kullanan ekip, yalnızca tek bir çip tasarımı çözüm. AI aracıları, herhangi bir özel ihtiyaç için optimize edilmiş çözümleri belirlemek için yalnızca altı saatlik ekstra hesaplamaya ihtiyaç duyarak uyum sağlayabildi ve genelleştirebildi.

Goldie, "Algoritmamızı bu farklı bağlamlarda genelleştirmek, yalnızca belirli bir çip için çalışacak bir algoritmaya sahip olmaktan çok daha büyük bir zorluktu" dedi.

Kahng, “mevcut çipler için insan uzmanları tarafından geliştirilenlerden daha üstün” kat planları üretebildiği için bunun bir tür “tek seferlik” öğrenme modu olduğunu söyledi. Ana hat, AI aracısının makro blokları azalan boyut sırasına göre yerleştirmesi gibi görünüyordu. Ancak göze çarpan şey, tasarımların ne kadar yabancı olduğuydu. Yerleşimler "yuvarlak ve organikti", köşeli kenarlara ve keskin köşelere sahip geleneksel çip tasarımlarından büyük ölçüde ayrıldı.

İnsan tasarımcılar, “Bunun yüksek kalitede olmasının hiçbir yolu yoktu. Neredeyse onları değerlendirmek istemediler” dedi Goldie.

Ancak ekip projeyi teoriden pratiğe geçirdi. Ocak ayında Google, AI tarafından tasarlanmış bazı öğeleri yeni nesil AI işlemcilerine entegre etti. Ayrıntılar gizli tutulurken, çözümler milyonlarca kopyanın fiziksel olarak üretilmesi için yeterince ilgi çekiciydi.

Ekip, kodunu daha geniş topluluk için yayınlamayı planlıyor. daha da optimize etmek- ve anlayın - makinenin çip tasarımı için beyni. Bugün sihir gibi görünen şey, kademeli olarak yavaşlayan (veya ölmekte olan) alanı genişleterek daha da iyi kat planı tasarımları hakkında fikir verebilir. Moore Yasası hesaplama donanımımızı daha da güçlendirmek için. Bilgi işlemde hız veya güç tüketimindeki küçük iyileştirmeler bile büyük bir fark yaratabilir.

Kahng, “Yarı iletken endüstrisinin yazarların çalışmalarını kopyalamaya olan ilgisini iki katına çıkarmasını ve çip tasarım süreci boyunca bir dizi benzer uygulamayı sürdürmesini bekleyebiliriz” dedi.

“Her türden farklı veri merkezinde konuşlandırıldığı göz önüne alındığında, [yeni nesil çiplerin] makine öğreniminin karbon ayak izi üzerindeki etkisinin düzeyi gerçekten değerli. Bir gün önce bile, büyük bir fark yaratıyor” dedi. şuraya Altın gibi.

Resim Kredi: Laura Ockel / Unsplash

Coinsmart. Europa İçindeki En İyi Bitcoin-Börse
Kaynak: https://singularityhub.com/2021/06/15/a-google-ai-designed-a-new-computer-chip-in-hours-and-its-fast-and-adaptable/