Cần Đặt Hàng Tỷ Tỷ Bóng Bóng Trên Một Vi Chip? Hãy Để Trí Tuệ Nhân Tạo Làm Điều Đó

Trí tuệ nhân tạo hiện đang giúp thiết kế vi mạch máy tính—bao gồm cả những chiếc máy cần thiết để chạy mã trí tuệ nhân tạo mạnh mẽ nhất.

Việc vẽ ra một viên vi mạch máy tính không chỉ phức tạp mà còn tinh tế, đòi hỏi các nhà thiết kế phải sắp xếp hàng tỷ thành phần trên một bề mặt nhỏ hơn cả móng tay. Quyết định tại từng bước có thể ảnh hưởng đến hiệu suất và độ tin cậy của một viên chip, vì vậy những nhà thiết kế chip giỏi nhất dựa vào nhiều năm kinh nghiệm và kiến thức rộng lớn để thiết kế mạch điện bố trí mang lại hiệu suất và hiệu quả năng lượng tốt nhất từ các thiết bị vô cực. Các nỗ lực trước đây để tự động hóa thiết kế chip qua nhiều thập kỷ đã không đạt được nhiều thành công.

Nhưng tiến bộ gần đây trong lĩnh vực trí tuệ nhân tạo đã làm cho việc các thuật toán học được một số bí mật trong thiết kế chip trở nên khả thi. Điều này sẽ giúp các công ty vẽ ra bản thiết kế mạnh mẽ và hiệu quả hơn trong thời gian ngắn hơn nhiều. Quan trọng hơn, phương pháp này cũng có thể giúp kỹ sư cùng thiết kế phần mềm trí tuệ nhân tạo, thử nghiệm với các điều chỉnh khác nhau cho mã lệnh cùng với bố trí mạch khác nhau để tìm ra cấu hình tối ưu cho cả hai.

Đồng thời, sự bùng nổ của Trí Tuệ Nhân Tạo đã đánh thức sự quan tâm mới đối với các thiết kế vi mạch độc đáo. Những viên chip tiên tiến ngày càng quan trọng đối với mọi lĩnh vực kinh tế, từ ô tô đến thiết bị y tế và nghiên cứu khoa học.

Các nhà sản xuất chip, bao gồm Nvidia, Google, và IBM, đều đang thử nghiệm các công cụ Trí Tuệ Nhân Tạo giúp sắp xếp thành phần và dây nối trên các viên chip phức tạp. Phương pháp này có thể làm xáo trộn ngành công nghiệp chip, nhưng cũng có thể giới thiệu các vấn đề phức tạp mới về kỹ thuật, bởi vì loại thuật toán đang được triển khai đôi khi có thể hoạt động theo cách không dự đoán được.

Tại Nvidia, nhà nghiên cứu chính Haoxing “Mark” Ren đang thử nghiệm cách một khái niệm Trí Tuệ Nhân Tạo được biết đến là reinforcement learning có thể giúp sắp xếp thành phần trên một viên chip và cách kết nối chúng. Phương pháp này, cho phép máy học từ trải nghiệm và thử nghiệm, đã đóng một vai trò quan trọng trong một số tiến bộ lớn trong lĩnh vực Trí Tuệ Nhân Tạo.

Các công cụ Trí Tuệ Nhân Tạo mà Ren đang thử nghiệm khám phá các thiết kế chip khác nhau trong mô phỏng, huấn luyện một mạng thần kinh nhân tạo lớn để nhận biết quyết định nào cuối cùng tạo ra một viên chip có hiệu suất cao. Ren cho biết phương pháp này sẽ giảm một nửa công sức kỹ thuật cần thiết để sản xuất một viên chip, đồng thời tạo ra một viên chip sánh kịp hoặc vượt trội hiệu suất so với một viên chip được thiết kế bởi con người.

“Bạn có thể thiết kế chip một cách hiệu quả hơn,” Ren nói. “Nó cũng mang lại cơ hội cho bạn khám phá thêm không gian thiết kế, có nghĩa là bạn có thể tạo ra những viên chip tốt hơn.”

Nvidia bắt đầu sản xuất các thẻ đồ họa cho người chơi nhưng nhanh chóng nhận thức được tiềm năng của những viên chip tương tự để chạy các thuật toán máy học mạnh mẽ, và hiện nay là một trong những nhà sản xuất dẫn đầu các viên chip Trí Tuệ Nhân Tạo cao cấp. Ren cho biết Nvidia có kế hoạch đưa các chip ra thị trường được tạo ra bằng Trí Tuệ Nhân Tạo nhưng từ chối nói rõ trong thời gian nào. Trong tương lai xa hơn, ông nói, “bạn có thể thấy một phần lớn của các chip được thiết kế bằng Trí Tuệ Nhân Tạo.”

Reinforcement learning đã được sử dụng nổi tiếng nhất để huấn luyện máy tính chơi các trò chơi phức tạp, bao gồm cả trò chơi cờ vây, với kỹ năng siêu phàm, mà không cần bất kỳ hướng dẫn rõ ràng nào về luật chơi hoặc nguyên tắc chơi tốt. Nó hứa hẹn cho nhiều ứng dụng thực tế khác nhau, bao gồm huấn luyện robot nắm bắt các đối tượng mới, lái máy bay chiến đấu, và giao dịch cổ phiếu theo thuật toán.

Song Han, giáo sư trợ giảng ngành kỹ thuật điện và máy tính tại MIT, cho biết reinforcement learning có tiềm năng lớn để cải thiện thiết kế chip, bởi vì, giống như trò chơi cờ vây, việc dự đoán quyết định tốt mà không có nhiều năm kinh nghiệm và thực hành có thể khó khăn.

Nhóm nghiên cứu của ông gần đây đã phát triển một công cụ sử dụng reinforcement learning để xác định kích thước tối ưu cho các transistor khác nhau trên một viên chip máy tính, bằng cách khám phá các thiết kế chip khác nhau trong mô phỏng. Quan trọng là, nó cũng có thể chuyển giao những gì nó đã học từ một loại chip sang loại khác, hứa hẹn giảm chi phí tự động hóa quy trình. Trong các thử nghiệm, công cụ Trí Tuệ Nhân Tạo đã tạo ra các thiết kế mạch tiêu thụ năng lượng hiệu quả hơn 2,3 lần, đồng thời tạo ra một phần năm nhiễu sóng so với những thiết kế được con người tạo ra. Các nhà nghiên cứu MIT đang làm việc đồng thời trên thuật toán Trí Tuệ Nhân Tạo cùng với các thiết kế chip mới để tận dụng tối đa từ cả hai.

Các đối thủ trong ngành công nghiệp khác—đặc biệt là những người đã đầu tư mạnh mẽ vào việc phát triển và sử dụng Trí Tuệ Nhân Tạo—cũng đang tìm cách áp dụng Trí Tuệ Nhân Tạo như một công cụ cho việc thiết kế chip.

Google, một đối thủ tương đối mới xuất hiện bắt đầu sản xuất chip để huấn luyện các thuật toán Trí Tuệ Nhân Tạo của mình từ năm 2016, đang sử dụng reinforcement learning để xác định nơi các thành phần nên được bố trí trên một viên chip. Trong một bài báo được xuất bản vào tháng trước trên tạp chí Nature, các nhà nghiên cứu của Google đã chỉ ra rằng phương pháp này có thể tạo ra một thiết kế chip trong vài giờ thay vì vài tuần. Thiết kế được tạo ra bởi Trí Tuệ Nhân Tạo sẽ được sử dụng trong các phiên bản sau của Google’s Cloud Tensor Processing Unit để chạy Trí Tuệ Nhân Tạo. Một nỗ lực riêng của Google, được biết đến với tên gọi là Apollo, đang sử dụng học máy để tối ưu hóa các chip tăng tốc một số loại tính toán. Các nhà nghiên cứu của Google cũng đã chỉ ra cách các mô hình Trí Tuệ Nhân Tạo và phần cứng chip có thể được thiết kế đồng thời để cải thiện hiệu suất của thuật toán thị giác máy tính.

Ren, tại Nvidia, nói rằng các công cụ Trí Tuệ Nhân Tạo có thể giúp các nhà thiết kế ít kinh nghiệm phát triển các viên chip tốt hơn. Điều này có thể quan trọng khi một loạt rộng lớn các viên chip, bao gồm nhiều viên chuyên biệt cho các nhiệm vụ Trí Tuệ Nhân Tạo cụ thể, ra mắt trên thị trường.

Nhưng Ren cũng cảnh báo rằng kỹ sư vẫn cần có sự chuyên môn đáng kể, vì thuật toán reinforcement đôi khi có thể hoạt động theo cách không dự đoán được, điều này có thể dẫn đến lỗi đắt đỏ trong thiết kế hoặc thậm chí là sản xuất nếu một kỹ sư không phát hiện ra chúng. Ví dụ, nghiên cứu đã chỉ ra cách các thuật toán học chơi trò có thể tập trung vào một chiến lược dẫn đến lợi ích ngắn hạn nhưng cuối cùng thất bại.

“Vấn đề mất kiểm soát thuật toán này là một vấn đề phổ biến cho mọi công việc máy học,” Ren nói. “Và đối với thiết kế chip, nó còn quan trọng hơn.”

• 📩 Những tin tức mới nhất về công nghệ, khoa học, và nhiều hơn nữa: Nhận bản tin của chúng tôi!
• Cách sống sót sau cơn lốc xoáy tồi tệ nhất trong lịch sử Hoa Kỳ
• Đây là tác động của trò chơi đối với não bộ của bạn
• Sự đổi mới về bảo mật của Windows 11 để lại hàng trăm máy tính phía sau
• Đúng, bạn có thể chỉnh sửa hiệu ứng đặc biệt hấp dẫn tại nhà
• Đ dogma thời kỳ Gen X của thời kỳ Reagan không có chỗ ở Silicon Valley
• 👁️ Khám phá Trí Tuệ Nhân Tạo như chưa bao giờ có với cơ sở dữ liệu mới của chúng tôi
• 🎮 MYTOUR Games: Nhận các mẹo, đánh giá, và nhiều hơn nữa
• ✨ Tối ưu hóa cuộc sống tại nhà của bạn với những lựa chọn tốt nhất của đội ngũ Gear chúng tôi, từ robot hút bụi đến đệm giá rẻ đến loa thông minh