Çip Dizaynında Yeni Devir: Yapay Zeka ve GPU Hızlandırma Kelam konusu ekran kartı olduğunda aklımıza gelen birinci isim olan NVIDIA, gelişmiş silikonlar tasarlarken bununla birlikte biroldukça alanda mesai harcıyor. Teknoloji devi, ürettiği silikonları kullanarak çip tasarım sürecini geliştirmenin yollarını arıyor.
Yeşil ekip, entegre devre dizayndaki karmaşıklığın önümüzdeki senelerda katlanarak artmasını bekliyor. Bu niçinle GPU hesaplama ünitelerinin gücünü kullanmak, yakında ilgi cazip bir laboratuvar deneyinden tüm yonga üreticileri için bir gerekliliğe dönüşecek.
NVIDIA’nın baş bilim insanı ve kıdemli araştırma lider yardımcısı Bill Dally, bu yılki GPU Teknoloji Konferansında (GTC) çağdaş GPU’ların ve başka SoC’lerin gerisindeki tasarım sürecinin çeşitli evrelerini hızlandırmak için GPU’ların kullanılması hakkında hayli şey anlattı. NVIDIA, kimi bakılırsavlerin insanların elle yapması yerine makine tahsili kullanılarak daha uygun ve daha süratli gerçekleşeceğine inanıyor.
Dally, GPU’ları giderek daha süratli hale getirmek için güç harcayan ve 300 araştırmacıdan oluşan bir gruba liderlik ediyor. Bu grup, teknolojik zorlukların üstesinden gelmek, klâsik formların haricinde çeşitli nazaranvleri otomatik hale getirmek ve hızlandırmak için GPU yeteneklerini kullanmak istiyor. Bahsi geçen araştırma takımı 2019’da 175 kişiydi, artık ise büyümeye devam ediyor.
Bill Dally, çip dizaynını hızlandırma kelam konusu olduğunda NVIDIA’nın makine tahsili tekniklerinden yararlanmak için dört alan belirlediğini söylüyor. Örneğin bir GPU’da gücün kullanıldığı yerleri haritalama, klasik bir CAD aracında üç saat süren bir dahalemeli bir süreç. Fakat bu vazife, özel olarak eğitilmiş bir yapay zeka (AI) modeli kullanıldığında sadece dakikalar alıyor. Model öğretildikten daha sonra bu vakit içindema saniyelere kadar inebiliyor. elbette yapay zekada kusur hisseleri değerli. Fakat Dally, NVIDIA’nın araçlarının şimdiden yüzde 94 doğruluk elde ettiğini ve bunun hala saygın bir sayı olduğunu söylüyor.
Devre tasarımı, kısmi dizaynlar üzerinde simülasyonlar çalıştırdıktan daha sonra mühendislerin sistemi birkaç kere değiştirmesini gerektiren, yoğun emek harcanan bir müddetç. Bu niçinle hakikat parazitler hakkında gerçek iddialar yapmak üzere AI modellerini eğitmek, istenen tasarım özelliklerini karşılamak için gereken küçük ayarlamaların yapılmasıyla ilgili biroldukça manuel çalışmanın ortadan kaldırılmasına yardımcı olabilir. NVIDIA, grafik hudut ağlarını kullanan parazitleri varsayım etmek için GPU’lardan yararlanabilir.
Dally, çağdaş çipleri tasarlamanın en büyük zorluklarından birinin yönlendirme tıkanıklığı olduğunu söylüyor. Bu kusur, transistörlerin ve onları birbirine bağlayan biroldukça küçük kablonun optimum biçimde yerleştirilmediği makul bir devre nizamında kendini gösteriyor. Bunu bir trafik sıkışıklığına benzetebiliriz, lakin arabalar yerine bitleri düşünelim. Mühendisler, bir grafik hudut ağı kullanarak problemli alanları süratli bir biçimde tanımlarken yerleşimlerini ve yönlendirmelerini buna bakılırsa ayarlayabiliyor.
Bu senaryolarda NVIDIA, beşerler tarafınca yapılan çip dizaynları yerine yapay zekayı kullanmaya çalışıyor. Şirket mühendisleri, ağır emek harcanan ve hesaplama açısından değerli bir surece başlamak yerine, bir vekil model oluşturabilir ve yapay zeka kullanarak süratli bir biçimde kıymetlendirme yapabilir. Teknoloji devi ayrıyeten GPU’larda ve öbür gelişmiş silikonlarda kullanılan transistör mantığının en temel özelliklerini tasarlamak için yapay zekadan yaralanmak istiyor.
GPU üreticisi, binlerce standart hücrenin karmaşık tasarım kurallarına göre değiştirilmesinin gerektiği daha gelişmiş bir üretim teknolojisine geçmek için gerekli adımları atmaya oldukcatan başladı. NVCell isimli bir proje, pekiştirmeli öğrenme ismi verilen bir yaklaşımla bu süreci mümkün olduğunca otomatikleştirmeye çalışıyor.
Eğitimli yapay zeka modeli, tamamlanana kadar tasarım yanlışlarını düzeltmek için bakılırsav yapıyor. NVIDIA bugüne kadar yüzde 92’lik bir muvaffakiyet oranı elde ettiğini argüman ediyor. Kimi durumlarda yapay zeka ile tasarlanmış hücreler, beşerler tarafınca yapılanlardan daha küçük boyutlarda olabiliyor. Yapılan tüm atılımlar ise dizaynın genel performansını güzelleştirebilir, hem de çip boyutunu ve güç ihtiyaçlarını azaltmaya yardımcı olabilir.
Yarı iletken süreç teknolojileri, silikonla ulaşabileceğimiz teorik sonlara süratle yaklaşıyor. Öte yandan üretim tekniği değiştikçe maliyetler de artmakta. Bu niçinle tasarım basamağındaki rastgele bir küçük uygunlaştırma, bilhassa wafer boyutunu küçültüyorsa daha düzgün randıman sağlayabilir.
Yeşil takım bildiğiniz üzere yonga üretimini Samsung ve TSMC üzere şirketlere yaptırıyor. NVIDIA’nın önde gelen isimlerinden Dally ise NVCell yardımıyla işlerin daha süratli ilerlediğini söylüyor. On mühendisten oluşan bir takım, GPU hızlandırma yeteneklerini kullanarak işlerini daha süratli biçimde yürütebiliyor. bu biçimdelikle şirket ortasındaki kıymetli beyinler öteki alanlara daha kolay odaklanabiliyor.
NVIDIA, kelam konusu çip tasarımı olduğunda yapay zekaya yönelen tek şirket değil. Bir öbür teknoloji devi Google, yapay zeka bakılırsavleri için hızlandırıcılar geliştirmek için makine tahsilini kullanıyor. Google, yapay zekanın performansı ve güç verimliliğini optimize etmek için beklenmedik yollar keşfetti. Samsung’un yarı iletkenden sorumlu kısmı ise büyük ve küçük öbür şirketlerin yavaş yavaş benimsediği “DSO.ai” isimli bir Synopsys aracı kullanıyor.
Yarı iletken üretiminde yaşanan eksikler niçiniyle otomotiv sanayisi son iki yılda büyük ziyanlar gördü. Bu bağlamda dökümhaneler, kıtlığı gidermek için olgun üretim tekniklerinde (12 nm ve daha büyük) yapay zeka üretim çiplerinden yararlanabilir. Öte yandan yarı iletken alanı son derece rekabetçi olduğundan, birden fazla üretici bu alana yatırım yapmakta isteksiz.
Tüm çiplerin yüzde 50’den çoksı olgunlaşmış yarı iletken süreçleriyle tasarlanıyor. International Veri Corporation analistleri bu hissenin 2025 yılına kadar yüzde 68’e yükselmesini bekliyor. Synopsis CEO’su Aart de Geus, şirketlerin otomobiller, mesken aletleri ve performansın öncelikli olmadığı başka biroldukça aygıtta yapay zeka kullanarak çipler tasarlayabileceğine inanıyor. Bu yaklaşım daha gelişmiş bir üretim teknolojisine geçiş yapmaktansa daha az maliyetli. Ek olarak, her bir wafer’a (silikon disk plaka) daha fazla çip yerleştirmek, bir daha maliyette tasarruf sağlıyor.
Bildiğiniz üzere yapay zekanın vakit içinde insanların yerini alacağı konusunda biroldukça görüş var. bahsetmiş olduğumiz çip tasarım sürecinde ise bu biçimde bir kıssa kelam konusu değil. NVIDIA, Google, Samsung ve öteki şirketler, yapay zekanın insanları güçlendirebileceğini ve giderek karmaşıklaşan dizaynlar kelam konusu olduğunda ağır işleri yapabileceğini keşfetti. Beşerler hala çözmek ve hangi dataların çip dizaynlarını doğrulama konusunda yardımcı olduğuna karar vermek için sıkıntıları bulmak zorunda. Yapay zeka ise bu süreci epeyce daha süratli bir biçimde işleyebiliyor.
Yeşil ekip, entegre devre dizayndaki karmaşıklığın önümüzdeki senelerda katlanarak artmasını bekliyor. Bu niçinle GPU hesaplama ünitelerinin gücünü kullanmak, yakında ilgi cazip bir laboratuvar deneyinden tüm yonga üreticileri için bir gerekliliğe dönüşecek.
NVIDIA’nın baş bilim insanı ve kıdemli araştırma lider yardımcısı Bill Dally, bu yılki GPU Teknoloji Konferansında (GTC) çağdaş GPU’ların ve başka SoC’lerin gerisindeki tasarım sürecinin çeşitli evrelerini hızlandırmak için GPU’ların kullanılması hakkında hayli şey anlattı. NVIDIA, kimi bakılırsavlerin insanların elle yapması yerine makine tahsili kullanılarak daha uygun ve daha süratli gerçekleşeceğine inanıyor.
Dally, GPU’ları giderek daha süratli hale getirmek için güç harcayan ve 300 araştırmacıdan oluşan bir gruba liderlik ediyor. Bu grup, teknolojik zorlukların üstesinden gelmek, klâsik formların haricinde çeşitli nazaranvleri otomatik hale getirmek ve hızlandırmak için GPU yeteneklerini kullanmak istiyor. Bahsi geçen araştırma takımı 2019’da 175 kişiydi, artık ise büyümeye devam ediyor.
Bill Dally, çip dizaynını hızlandırma kelam konusu olduğunda NVIDIA’nın makine tahsili tekniklerinden yararlanmak için dört alan belirlediğini söylüyor. Örneğin bir GPU’da gücün kullanıldığı yerleri haritalama, klasik bir CAD aracında üç saat süren bir dahalemeli bir süreç. Fakat bu vazife, özel olarak eğitilmiş bir yapay zeka (AI) modeli kullanıldığında sadece dakikalar alıyor. Model öğretildikten daha sonra bu vakit içindema saniyelere kadar inebiliyor. elbette yapay zekada kusur hisseleri değerli. Fakat Dally, NVIDIA’nın araçlarının şimdiden yüzde 94 doğruluk elde ettiğini ve bunun hala saygın bir sayı olduğunu söylüyor.
Devre tasarımı, kısmi dizaynlar üzerinde simülasyonlar çalıştırdıktan daha sonra mühendislerin sistemi birkaç kere değiştirmesini gerektiren, yoğun emek harcanan bir müddetç. Bu niçinle hakikat parazitler hakkında gerçek iddialar yapmak üzere AI modellerini eğitmek, istenen tasarım özelliklerini karşılamak için gereken küçük ayarlamaların yapılmasıyla ilgili biroldukça manuel çalışmanın ortadan kaldırılmasına yardımcı olabilir. NVIDIA, grafik hudut ağlarını kullanan parazitleri varsayım etmek için GPU’lardan yararlanabilir.
Dally, çağdaş çipleri tasarlamanın en büyük zorluklarından birinin yönlendirme tıkanıklığı olduğunu söylüyor. Bu kusur, transistörlerin ve onları birbirine bağlayan biroldukça küçük kablonun optimum biçimde yerleştirilmediği makul bir devre nizamında kendini gösteriyor. Bunu bir trafik sıkışıklığına benzetebiliriz, lakin arabalar yerine bitleri düşünelim. Mühendisler, bir grafik hudut ağı kullanarak problemli alanları süratli bir biçimde tanımlarken yerleşimlerini ve yönlendirmelerini buna bakılırsa ayarlayabiliyor.
Bu senaryolarda NVIDIA, beşerler tarafınca yapılan çip dizaynları yerine yapay zekayı kullanmaya çalışıyor. Şirket mühendisleri, ağır emek harcanan ve hesaplama açısından değerli bir surece başlamak yerine, bir vekil model oluşturabilir ve yapay zeka kullanarak süratli bir biçimde kıymetlendirme yapabilir. Teknoloji devi ayrıyeten GPU’larda ve öbür gelişmiş silikonlarda kullanılan transistör mantığının en temel özelliklerini tasarlamak için yapay zekadan yaralanmak istiyor.
GPU üreticisi, binlerce standart hücrenin karmaşık tasarım kurallarına göre değiştirilmesinin gerektiği daha gelişmiş bir üretim teknolojisine geçmek için gerekli adımları atmaya oldukcatan başladı. NVCell isimli bir proje, pekiştirmeli öğrenme ismi verilen bir yaklaşımla bu süreci mümkün olduğunca otomatikleştirmeye çalışıyor.
Eğitimli yapay zeka modeli, tamamlanana kadar tasarım yanlışlarını düzeltmek için bakılırsav yapıyor. NVIDIA bugüne kadar yüzde 92’lik bir muvaffakiyet oranı elde ettiğini argüman ediyor. Kimi durumlarda yapay zeka ile tasarlanmış hücreler, beşerler tarafınca yapılanlardan daha küçük boyutlarda olabiliyor. Yapılan tüm atılımlar ise dizaynın genel performansını güzelleştirebilir, hem de çip boyutunu ve güç ihtiyaçlarını azaltmaya yardımcı olabilir.
Yarı iletken süreç teknolojileri, silikonla ulaşabileceğimiz teorik sonlara süratle yaklaşıyor. Öte yandan üretim tekniği değiştikçe maliyetler de artmakta. Bu niçinle tasarım basamağındaki rastgele bir küçük uygunlaştırma, bilhassa wafer boyutunu küçültüyorsa daha düzgün randıman sağlayabilir.
Yeşil takım bildiğiniz üzere yonga üretimini Samsung ve TSMC üzere şirketlere yaptırıyor. NVIDIA’nın önde gelen isimlerinden Dally ise NVCell yardımıyla işlerin daha süratli ilerlediğini söylüyor. On mühendisten oluşan bir takım, GPU hızlandırma yeteneklerini kullanarak işlerini daha süratli biçimde yürütebiliyor. bu biçimdelikle şirket ortasındaki kıymetli beyinler öteki alanlara daha kolay odaklanabiliyor.
NVIDIA, kelam konusu çip tasarımı olduğunda yapay zekaya yönelen tek şirket değil. Bir öbür teknoloji devi Google, yapay zeka bakılırsavleri için hızlandırıcılar geliştirmek için makine tahsilini kullanıyor. Google, yapay zekanın performansı ve güç verimliliğini optimize etmek için beklenmedik yollar keşfetti. Samsung’un yarı iletkenden sorumlu kısmı ise büyük ve küçük öbür şirketlerin yavaş yavaş benimsediği “DSO.ai” isimli bir Synopsys aracı kullanıyor.
Yarı iletken üretiminde yaşanan eksikler niçiniyle otomotiv sanayisi son iki yılda büyük ziyanlar gördü. Bu bağlamda dökümhaneler, kıtlığı gidermek için olgun üretim tekniklerinde (12 nm ve daha büyük) yapay zeka üretim çiplerinden yararlanabilir. Öte yandan yarı iletken alanı son derece rekabetçi olduğundan, birden fazla üretici bu alana yatırım yapmakta isteksiz.
Tüm çiplerin yüzde 50’den çoksı olgunlaşmış yarı iletken süreçleriyle tasarlanıyor. International Veri Corporation analistleri bu hissenin 2025 yılına kadar yüzde 68’e yükselmesini bekliyor. Synopsis CEO’su Aart de Geus, şirketlerin otomobiller, mesken aletleri ve performansın öncelikli olmadığı başka biroldukça aygıtta yapay zeka kullanarak çipler tasarlayabileceğine inanıyor. Bu yaklaşım daha gelişmiş bir üretim teknolojisine geçiş yapmaktansa daha az maliyetli. Ek olarak, her bir wafer’a (silikon disk plaka) daha fazla çip yerleştirmek, bir daha maliyette tasarruf sağlıyor.
Bildiğiniz üzere yapay zekanın vakit içinde insanların yerini alacağı konusunda biroldukça görüş var. bahsetmiş olduğumiz çip tasarım sürecinde ise bu biçimde bir kıssa kelam konusu değil. NVIDIA, Google, Samsung ve öteki şirketler, yapay zekanın insanları güçlendirebileceğini ve giderek karmaşıklaşan dizaynlar kelam konusu olduğunda ağır işleri yapabileceğini keşfetti. Beşerler hala çözmek ve hangi dataların çip dizaynlarını doğrulama konusunda yardımcı olduğuna karar vermek için sıkıntıları bulmak zorunda. Yapay zeka ise bu süreci epeyce daha süratli bir biçimde işleyebiliyor.