Recientemente durante la conferencia GTC, el científico jefe de Nvidia, Bill Dally, habló sobre cómo sus equipos de I+D (Investigación y Desarrollo) están utilizando la IA para acelerar y mejorar el diseño de nuevas GPUs. Ya se han realizado cuatro procesos complejos y tradicionalmente lentos mediante el aprovechamiento de técnicas de aprendizaje automático (ML) e inteligencia artificial (IA). En un ejemplo, el uso de la AI/ML acelerada puede adelantar una tarea de diseño de GPU de tres horas a tres segundos.
Dally supervisa a unas 300 personas, y estas personas suelen trabajar en grupos de investigación como se muestra en la imagen a continuación:
En su charla, Dally señaló cuatro áreas importantes del diseño de GPU en las que se puede aprovechar AI/ML con gran eficacia: mapeo de caída de voltaje, predicción de emisiones parásitas, desafíos de ubicación y enrutamiento, ademas de automatización de la migración de celdas estándar. Echemos un vistazo a cada proceso y cómo las herramientas de IA están ayudando a que I+D de Nvidia funcione de manera más eficiente.
Que es I+D? Es la investigación y desarrollo, es el proceso de investigación en conocimientos científicos y técnicos, con el objetivo de desarrollar tecnologías para obtener nuevos productos, materiales o procesos.
Los beneficios de usar IA (Inteligencia Artificial)
Mapeo de la caída de voltaje
El mapeo de la caída de voltaje ayuda a los diseñadores a ver a dónde viaja el flujo de energía en los diseños de GPU de próxima generación. El uso de una herramienta CAD convencional los ayudará a calcular estos números en aproximadamente tres horas, dice Dally. Sin embargo, una vez entrenada, la herramienta de inteligencia artificial de NVIDIA puede reducir este proceso a tres segundos. El proceso, en su estado actual, ofrece una precisión del 94%.
Predicción parasitaria
Predecir parásitos usando IA es particularmente agradable para Dally. Como diseñador de circuitos, pasaba largos períodos con sus colegas anticipando los parásitos en el proceso de desarrollo, y este nuevo modelo de IA reduce un proceso lento de varias personas y múltiples habilidades. Nuevamente, el error de simulación es razonablemente bajo, menos del 10% en este caso. La reducción de estos procesos iterativos tradicionalmente largos puede liberar a un diseñador de circuitos para que sea más creativo en otras actividades.
La predicción Parasita estudia la capacidad eléctrica originada por fenómenos indeseados en un circuito o sistema.
Desafíos de ubicación y enrutamiento
Los desafíos de ubicación y enrutamiento son importantes para el diseño de chips, ya que son como planificar carreteras en una ciudad concurrida. Hacer esto mal dará malos resultados ya que un flujo de datos deficiente puede reducir la eficiencia de manera exponencial, lo que requerirá el cambio de ruta o la replanificación de los diseños para una mayor eficiencia. El uso de Graph Neural Networks (GNN) para analizar este problema en el diseño del chip ayuda a resaltar posibles áreas problemáticas y actuar sobre ellas de manera inteligente.
Automatización de la migración de celdas estándar
Finalmente, automatizar la migración de celdas estándar usando IA es otra herramienta muy útil en la caja de herramientas de diseño de chips de Nvidia. Dally habla sobre el enorme esfuerzo que antes se requería para migrar un diseño de chip de siete a cinco nanómetros, por ejemplo. Utilizando IA, Dally afirma que “el 92 % de la biblioteca de células se pudo realizar con esta herramienta sin reglas de diseño ni errores de reglas eléctricas” y que “en muchos casos, terminaban con un mejor diseño”
El año pasado en GTC, la charla de Dally enfatizó como NVIDIA planeaba priorizar la IA y habló sobre los cinco laboratorios separados de Nvidia que están dedicados a proyectos de investigación de IA.
Dally dice que todo esto debería ya estar pulido para desarrollar las nuevas tarjetas graficas de 7nm y 5nm, además NVIDIA incluirá la línea Ada Lovelace en estos nuevos proyectos.