Bir çip’e milyarlarca transistör sığdırmanız mı gerekiyor? Bırakın yapay zekâ halletsin

Bir çip’e milyarlarca transistör sığdırmanız mı gerekiyor? Bırakın yapay zekâ halletsin

Google, Nvidia ve diğer şirketler; yapay zekâ (AI) programlarını çalıştırmak için kullanılacak olan bazı yarı iletkenleri tasarlamanın karanlık sanatını, algoritmalarına öğretiyor.

Yapay zekâ, artık en güçlü AI kodlarını çalıştırmak için gerekli olanlar da dahil olmak üzere bilgisayar çiplerinin tasarlanmasına yardımcı oluyor.

Bir bilgisayar çipi tasarlamak, tasarımcıların milyarlarca parçayı bir tırnaktan daha küçük bir yüzeye sığdırmayı gerektiren hem karmaşık hem de detaylı bir iştir. Tasarımın her adımında alınan kararlar, bir çipin nihai performansını ve güvenilirliğini etkileyebilir, bu nedenle en iyi çip tasarımcıları, nanoskopik devre elemanları kullanarak en iyi performansa ve enerji verimliliğine sahip devreler oluşturmak için yılların deneyimine ve zor kazanılmış bilgi birikimine güveniyor. Çip tasarımını otomasyona geçirmeyi amaçlayan onlarca yıllık önceki çalışmalar pek az yol katetti.

Ancak AI alanındaki son gelişmeler, algoritmaların çip tasarlamadaki karanlık sanatın bir kısmını öğrenmesini mümkün kıldı. Bu, şirketlerin daha güçlü ve verimli çipleri çok daha kısa sürede tasarlamasına yardımcı olacaktır. Daha da önemlisi, bu yaklaşım mühendislerin en iyi yapıyı bulmak için farklı devre düzenleriyle birlikte kodlarda bazı ince ayar denemeleri yaparak AI yazılımını birlikte tasarlamalarına yardımcı olabilir.

Aynı zamanda, AI’nın yükselişi her alanda yeni çip tasarımına ilgi uyandırdı. Son teknoloji çipler, otomobillerden tıbbi cihazlara ve bilimsel araştırmalara kadar ekonominin hemen her dalı için giderek daha önemli hale geliyor.

Nvidia, Google ve IBM dahil olmak üzere çip üreticilerinin tümü, karmaşık yongalarda bileşenlerin ve kabloların düzenlenmesine yardımcı olan AI araçlarını test ediyor. Bu yaklaşım çip endüstrisini sarsabilir, aynı zamanda mühendislik açısından yeni güçlükleri de beraberinde getirebilir çünkü kullanılan algoritmalar bazen öngörülemeyen şekilde davranabilmekte.

Nvidia’nın Baş Araştırmacı Bilim İnsanı Haoxing “Mark” Ren, takviyeli öğrenme olarak bilinen AI kavramının bir çip üzerindeki bileşenlerin düzenlenmesine nasıl yardımcı olabileceğini ve bunların nasıl bir araya getirilebileceğini test ediyor. Bir makinenin deneyim ve deneylerden öğrenmesini sağlayan bu yaklaşım, AI alanında bazı önemli atılımların anahtarı olmuştur.

“Çipleri daha verimli bir şekilde tasarlayabilirsiniz.”

– Haoxing” Mark ” Ren, Nvidia’nın Baş Araştırmacı Bilim İnsanı

Ren’in test ettiği AI araçları, farklı çip tasarımlarını simülasyonda keşfederek ve hangi kararların yüksek performanslı bir çip tasarlamayı sağladığını inceleyerek büyük sanal bir sinir ağını eğitiyor. Ren, bu yöntemin harcanan mühendislik eforunu yarıya indirirken aynı zamanda insan tasarımı çiplere denk, hatta daha yüksek performanslı çipler tasarlamaya olanak sağlayacağını söylüyor.

Ren, “Çipleri daha verimli bir şekilde tasarlayabilirsiniz” diyor. “Ayrıca, size daha fazla tasarım alanı keşfetme fırsatı sunuyor, bu da daha iyi çipler yapabileceğiniz anlamına geliyor.”

Nvidia, oyuncular için grafik kartları üreterek yola çıkmıştı. Fakat sonra aynı çiplerin güçlü makine öğrenme algoritmalarını çalıştırmadaki potansiyelini gördü. Şimdiyse, üst düzey AI çipleri üretiminde lider konumda. Ren, Nvidia’nın AI kullanılarak tasarlanmış çipleri piyasaya sürmeyi planladığını paylaşsa da bir tarih vermekten çekindi. Ren, “muhtemelen büyük bir kısmı yapay zekâ tarafından tasarlanmış çipleri daha uzak bir gelecekte göreceksiniz” dedi.

Takviyeli öğrenme, en bilindik şekliyle bilgisayarların Go oyunu gibi zor oyunları, oyunun kurallarını hiç görmeden, oyun ve oynayış hakkında hiçbir bilgi ya da tüyo almadan kendi kendine insanüstü seviyede oynamayı edinmesinde kullanılmıştır. Robotları farklı nesneleri tanımlamaları için eğitmek, savaş uçakları uçurmak ve algoritmik hisse senedi alım satımı dahil birçok farklı uygulama için potansiyel arz etmektedir.

MIT’de elektrik mühendisliği ve bilgisayar bilimleri profesörü olan Song Han, takviyeli öğrenmenin çip tasarımını geliştirmek için önemli bir potansiyel gösterdiğini söylüyor, çünkü Go gibi bir oyunda olduğu gibi, yıllarca tecrübe ve uygulama olmadan iyi kararları tahmin etmek zor olabilir.

Song Han’ın araştırma grubu kısa bir süre önce, bir bilgisayar çipindeki farklı transistörlerin en uygun boyutunu belirlemek için simülasyondaki farklı çip tasarımlarını keşfederek takviyeli öğrenme kullanan bir araç geliştirdi. Önemli olarak, bu araç bir tip çipte öğrendiklerini başka tip bir çipte kullanabilmek üzere transfer edebiliyor, böylece sistemin otomasyon maliyetini de düşürüyor. Yapılan deneylerde, AI aracı insan tasarımlarından 2,3 kat daha fazla enerji verimliliği sunarken aynı zamanda yine insan tasarımlarının beşte biri oranında interferans oluşturan devre kartları üretti. MIT araştırmacıları, her ikisinden de en iyi şekilde yararlanmak için aynı anda hem yeni çip tasarımları hem de AI algoritmaları üzerinde çalışıyorlar.

Endüstrinin diğer paydaşları da, özellikle AI geliştirmeye ve kullanmaya büyük yatırım yapanlar, AI’yı çip tasarımı için bir araç olarak benimseme yolundalar.

2016 yılında AI algoritmalarını eğitmek için çip üretmeye başlayan ve bu sektörde henüz yeni olan Google, bileşenlerin bir çip üzerinde nereye yerleştirilmesi gerektiğini belirlemede takviyeli öğrenmeyi kullanıyor. Geçtiğimiz ay “Nature” dergisinde yayınlanan bir makalede, Google araştırmacıları kullandıkları yöntemin çip tasarımı süresini birkaç haftadan birkaç saate indirebildiğini gösterdiler. Bu AI tasarımı, Google’ın AI yürütmede kullandığı Cloud TPU işlemcisinin gelecekteki versiyonlarında kullanılacak. Apollo adıyla bilinen bir başka Google çalışması, belirli hesaplama türlerini hızlandırmada kullanılan çipleri en iyi hale getirmek için makine öğrenmesini kullanıyor. Google araştırmacıları, bir bilgisayar görme algoritmasının performansını artırmada AI modellerinin ve çip donanımının nasıl birlikte tasarlanabileceğini de gösterdi.

Nvidia’da çalışan Ren, AI araçlarının büyük olasılıkla daha az deneyimli tasarımcıların daha iyi çipler geliştirmelerine yardımcı olacağını söylüyor. Bu, belirli AI görevleri için uzmanlaşmış birçok çip de dahil olmak üzere, daha geniş bir çip yelpazesinin piyasaya çıkmasıyla önemini kanıtlayabilir.

Ancak Ren, mühendisleri hala önemli bir uzmanlığa ihtiyaç duyacakları konusunda uyarıyor, çünkü takviyeli öğrenme algoritmaları bazen öngörülemeyen şekillerde davranabiliyor, bu da bir mühendis onları tespit edemediğinde tasarımda ve hatta üretimde maliyetli hatalara yol açabiliyor. Örneğin, araştırmalar, oyun oynayarak öğrenen takviyeli öğrenme algoritmalarının kısa vadeli kazanç sağlayan ancak sonuçta başarısız olan bir stratejiye takılı kalabileceğini göstermiştir.

Ren, bu tür algoritmik yanlış davranışların “tüm makine öğrenimi çalışmaları için ortak bir sorun olduğunu” söylüyor. “Ve çip tasarımı için bu daha da önemli” diye ekliyor.

Yazar: Will Knight

Çeviren: Mustafa Erkaya

Düzenleyen: İsmail Çiçek

Kaynak: Wired

Leave a comment