Wat de mens maanden doet, doet de kunstmatige intelligentie van Google in zes uur. Dat is de claim die Google maakt over zijn AI die in staat is om machine learning-chips te ontwerpen die “vergelijkbaar of superieur” zijn aan die gemaakt door mensen. Na jaren van experimenteren zullen we binnenkort het eerste commerciële product in dit opzicht zien: de aankomende TPU-chips van Google zijn ontworpen door een AI.
Dat Google zijn AI gebruikt om AI-geoptimaliseerde chips te ontwerpen, is geen geheim. Het lijkt er nu echter op dat ze zijn gestopt met experimenteren en het hebben toegepast op echte producten. Ze hebben ook van de gelegenheid gebruik gemaakt om een studie in Nature te publiceren waarin de ontwikkeling wordt uitgelegd.
Het grote voordeel dat AI lijkt te bieden aan chipontwerp is snelheid. Volgens Google kan de grote tijdwinst die wordt geïmpliceerd door het algoritme te gebruiken om te ontwerpen in plaats van mensen, belangrijke implicaties hebben voor de industrie. In principe zou het het mogelijk moeten maken om ontwerpiteraties voor opkomende chips te versnellen en snel chips te ontwerpen voor specifieke toepassingen waarvoor ze zijn geoptimaliseerd.
Waar AI het meest waarschijnlijk een impact lijkt te hebben, is bij het plannen van de plaatsing van elementen op de chip. Dit proces is in wezen kiezen waar op het chipoppervlak elk element (CPU, GPU, geheugen …) naartoe gaat. Dit is essentieel, omdat het rechtstreeks van invloed is op de snelheid en efficiëntie van de chip, afhankelijk van hoe ver elk element van de andere verwijderd is.
Hoewel dit een probleem is van maanden van inspanning voor mensen, beschouwt kunstmatige intelligentie het als een spel. Het interpreteert elk element van de chip als een speelstuk en probeert het op de meest efficiënte locatie te plaatsen, waarbij altijd rekening wordt gehouden met alle andere stukken en meerdere andere factoren. Na een paar uur biedt het de meest rekenkundig efficiënte positie van de set elementen in de gegeven limiet.
Om de AI te trainen, zegt Google dat het gegevens heeft gegeven van 10.000 chipontwerpen van hogere en lagere kwaliteit. Elke chip werd gelabeld op basis van zijn kwaliteit en rekening houdend met waarden zoals de lengte van de benodigde bedrading of het stroomverbruik. Op deze manier leerde de AI welke ontwerpen goed zijn en welke niet, en genereerde vervolgens hun eigen ontwerpen.
