Gönderiyi okuyorsunuz: Nvidia AI araştırma ekibi, daha küçük, daha hızlı devreler oluşturmak için derin takviyeli öğrenmeye (RL) dayalı bir yaklaşım sunuyor
Moore Yasası olarak bilinen bir yasa var; bu yasa, bir mikroçipteki transistör sayısının her iki yılda bir ikiye katlandığını belirtiyor. Moore Yasası yavaşladıkça, aynı teknolojik süreç düğümünde çip performansını artırmak için alternatif teknikler yaratmak daha hayati hale geliyor.
NVIDIA, her yeni nesil yongayla daha yüksek performans sunmak amacıyla daha küçük, daha hızlı ve daha verimli devreler oluşturmak için yapay zekayı kullanan yeni bir yöntemi ortaya çıkardı. Yapay zekanın, Derin Güçlendirme Öğrenmeyi kullanarak çalışmalarında bu devreleri sıfırdan oluşturmayı öğrenebildiğini gösteriyor.
Şirkete göre, NVIDIA Hopper GPU mimarisinin en son versiyonunda yapay zeka tasarımlı devrelerin yaklaşık 13.000 farklı örneği bulunuyor. NVIDIA’nın amacı, istenen gecikmeyi korurken mümkün olan en küçük alana sahip devreyi üretmek için devre boyutu ve gecikmeyi kullanarak bir denge kuracak bir çözüm bulmaktır. PrefixRL başlıklı çalışmaları paralel önek devreleri olarak adlandırılan aritmetik devrelere odaklanıyor. AI aracısına önek grafikleri oluşturması öğretilir ve aynı zamanda grafikten oluşturulan son devrenin özelliklerini optimize eder.
Kaynak: https://developer.nvidia.com/blog/designing-arithmetic-circuits-with-deep-reinforcement-learning/NVIDIA ekibi, takviyeli öğrenme aracısının önek grafiğine bir düğüm ekleme veya bir düğümü kaldırma olanağına sahip olduğu önek devreleri için bir ortam oluşturdu. Alanları ve gecikmeleri açısından aritmetik devrelerin verimliliğini en üst düzeye çıkarmak için bir aracıyı eğittiler; Aracı, her adımda ilgili devre alanı ve gecikmedeki iyileşmeyle ödüllendirilir.
64b vakasının eğitimi 32.000 GPU saatinden fazlasını gerektirdiğinden ve PrefixRL fizik simülasyonu her GPU için 256 CPU gerektirdiğinden, NVIDIA Raptor’u geliştirdi. Bu dağıtılmış takviyeli öğrenme platformu, endüstriyel takviyeli öğrenme için NVIDIA donanımını kullanır ve ölçeklenebilirliği ve öğrenme hızını güçlendirir.
Bulgulara göre en etkili PrefixRL toplayıcı, elektronik tasarım otomasyon araçları toplayıcı ile aynı gecikmeyle çalışırken yüzde 25 daha az alan üretti. NVIDIA, yöntemin yapay zekayı, eylem alanları oluşturma, durum temsilleri, RL aracı modelleri, birden fazla rakip hedef için optimizasyon ve fiziksel sentez olarak yavaş ödül hesaplama süreçlerinin üstesinden gelme gibi gerçek dünyadaki devre tasarımı zorluklarına entegre etmek için bir model olarak hareket edebileceğini umuyor. .
Bu makale Marktechpost personeli tarafından ‘araştırma çalışmalarına dayalı olarak özet makale olarak yazılmıştır’PrefixRL: Derin Güçlendirmeli Öğrenme Kullanılarak Paralel Önek Devrelerinin Optimizasyonu’. Bu araştırmanın tüm kredisi bu projenin araştırmacılarına aittir. Görüntüle kağıt Ve kaynak makale.
Lütfen katılmayı unutmayın ML alt dizimiz
Yüzlerce Harika Yapay Zeka Aracını bulmak için https://aitoolsclub.com adresini ziyaret edin
