الأخبار التكنولوجية والاستعراضات والنصائح!

يستخدم باحثو Google التعلم المعزز العميق لتحسين تصميم الرقائق

يُعد التصميم الأمثل للشريحة ، أو تخطيط الأرضية ، حجر الزاوية في زيادة القوة الحسابية للأنظمة الحالية. ومع ذلك ، فهي عملية تستغرق وقتًا طويلاً ، وتُبذل الجهود لجعلها أكثر كفاءة. وبالنظر إلى ذلك ، فإن الباحثين الذين يعملون مع Google يتطلعون الآن نحو التعلم الآلي للمساعدة في معالجة المشكلة.

في ورقة بحثية حديثة بعنوان "Chip Placement with Deep Reinforcement Learning" نشرت على arXiv ، طرح الفريق في Google موضع الرقائق على أنه مشكلة في التعلم المعزز (RL). ثم يضع النموذج المدرب كتل الرقائق ، وكل منها عبارة عن وحدة فردية ، مثل النظام الفرعي للذاكرة ، أو وحدة الحوسبة ، أو نظام التحكم المنطقي على لوحة الرقائق.

يعد تحديد تخطيط كتلة الرقاقة ، وهي عملية تسمى تخطيط الأرضية للرقائق ، واحدة من أكثر المراحل تعقيدًا واستهلاكًا للوقت في عملية تصميم الرقائق ، وتتضمن وضع القائمة الصافية على قماش الرقائق (شبكة ثنائية الأبعاد) ، مثل تلك القوة والأداء ، ويتم تقليل المساحة (PPA) ، مع الالتزام بالقيود المفروضة على الكثافة وازدحام التوجيه. على الرغم من عقود من البحث حول هذا الموضوع ، لا يزال من الضروري أن يتكرر الخبراء البشريون لأسابيع لإنتاج حلول تلبي معايير التصميم متعددة الأوجه.

المدخلات إلى نموذج التعلم المعزز العميق هي netlist رقاقة ، معرف العقدة الحالية التي سيتم وضعها ، وبعض البيانات الوصفية netlist. يتم تمرير الرسم البياني netlist والعقدة الحالية من خلال شبكة عصبية الرسم البياني القائم على الحافة لتوليد تضمين للرسم البياني وضع جزئيا والعقدة المرشحة.

يستخدم باحثو Google التعلم المعزز العميق لتحسين تصميم الرقائق 1

ثم تأخذ الشبكة العصبية إلى الأمام هذا الأمر كمدخل متسلسل لإخراج تمثيل مكتسب يلتقط الميزات المفيدة ويساعد على توليد توزيع احتمالي على جميع خلايا الشبكة الممكنة التي يمكن وضع العقدة الحالية عليها عبر شبكة سياسة. يمكن تغليف هذه العملية بأكملها في ملف GIF أدناه. تعرض الشريحة الموجودة على اليسار موضع الماكرو من نقطة الصفر وعلى اليمين ، يتم ضبط بعض المواضع الأولية بشكل دقيق.

يستخدم باحثو Google التعلم المعزز العميق لتحسين تصميم الرقائق 2

مع هذا الإعداد ، أظهر الباحثون تحسنًا في الكفاءة وجودة التنسيب ، مشيرين إلى أنه بالنسبة للعملية التي كانت ستستغرق عدة أسابيع للخبراء البشريين ، فقد تم الانتهاء منها في أقل من ست ساعات باستخدام نموذج ML المدرَّب.

هدفنا هو تقليل PPA (القوة والأداء والمساحة) ، ونوضح أنه في أقل من 6 ساعات ، يمكن أن تؤدي طريقتنا إلى إنشاء مواضع خارقة أو قابلة للمقارنة على قوائم الشبكة المعجلة الحديثة ، في حين تتطلب خطوط الأساس الحالية خبراء بشريين في الحلقة يستغرق عدة أسابيع.

بالمضي قدمًا ، يعتقد الفريق أن نموذجه يوضح طريقة وضع رقاقة تلقائية فعالة يمكنها تسريع تصميم الشريحة بشكل كبير ، وذلك أيضًا بالنسبة لأي مشكلة في وضع الشريحة ، والتي ستمكن من التحسين المشترك مع المراحل المبكرة من عملية تصميم الشريحة أيضًا.