Quando não está ocupada construindo alguns dos silícios mais avançados do mercado, a Nvidia está explorando maneiras de melhorar o processo de design de chips usando o mesmo silício que está fabricando. A empresa espera que a complexidade do projeto de circuitos integrados aumente exponencialmente nos próximos anos, portanto, adicionar o poder da computação da GPU logo se transformará de um intrigante experimento de laboratório em uma necessidade para todos os fabricantes de chips. Agora ela quer usar GPUs e IA para acelerar e melhorar o design de chips.
Durante uma palestra na GPU Technology Conference deste ano, o cientista-chefe da Nvidia e vice-presidente sênior de pesquisa, Bill Dally, falou muito sobre o uso de GPUs para acelerar vários estágios do processo de design por trás de GPUs modernas e outros SoCs. A Nvidia acredita que algumas tarefas podem ser feitas melhor e muito mais rapidamente usando aprendizado de máquina em vez de humanos fazendo manualmente, liberando-os para trabalhar em aspectos mais avançados do desenvolvimento de chips.
Nvidia GPUs e IA
Dally lidera uma equipe de cerca de 300 pesquisadores que lidam com tudo, desde os desafios tecnológicos em torno da fabricação de GPUs cada vez mais rápidas até o desenvolvimento de software que aproveita os recursos dessas GPUs para automatizar e acelerar uma variedade de tarefas que tradicionalmente eram feitas principalmente à mão. Essa equipe de pesquisa passou de 175 pessoas em 2019 e deve crescer nos próximos anos.
Quando se trata de acelerar o design de chips, Dally diz que a Nvidia identificou quatro áreas em que o uso de técnicas de aprendizado de máquina pode afetar significativamente o cronograma típico de desenvolvimento. Por exemplo, mapear onde a energia é usada em uma GPU é um processo iterativo que leva três horas em uma ferramenta CAD convencional, mas leva apenas alguns minutos usando um modelo de IA treinado especificamente para essa tarefa. Uma vez ensinado, o modelo pode reduzir o tempo para segundos. É claro que os modelos de IA trocam velocidade por precisão. No entanto, Dally diz que as ferramentas da Nvidia já atingem 94% de precisão, o que ainda é um número respeitável.
O projeto de circuito é um processo de trabalho intensivo em que os engenheiros podem precisar alterar o layout várias vezes depois de executar simulações em projetos parciais. Portanto, treinar modelos de IA para fazer previsões precisas sobre parasitas pode ajudar a eliminar muito do trabalho manual envolvido em fazer os pequenos ajustes necessários para atender às especificações de projeto desejadas. A Nvidia pode aproveitar as GPUs para prever parasitas utilizando redes neurais gráficas.
Dally explica que um dos maiores desafios no projeto de chips modernos é o congestionamento de roteamento – um defeito em um layout de circuito específico, onde os transistores e os muitos fios minúsculos que os conectam não estão posicionados de maneira ideal. Essa condição pode levar a algo semelhante a um engarrafamento, mas, neste caso, são bits em vez de carros. Os engenheiros podem identificar rapidamente áreas problemáticas e ajustar sua localização e roteamento de acordo com o uso de uma rede neural gráfica.
Nesses cenários, a Nvidia está essencialmente tentando usar a IA para criticar os designs de chips feitos por humanos. Em vez de embarcar em um processo de trabalho intensivo e computacionalmente caro, os engenheiros podem criar um modelo substituto e avaliá-lo e iterá-lo rapidamente usando IA. A empresa também quer usar a IA para projetar os recursos mais básicos da lógica do transistor usada em GPUs e outros silícios avançados.
A Nvidia está tomando as medidas necessárias para migrar para um nó de fabricação mais avançado, onde muitos milhares das chamadas células padrão devem ser modificadas de acordo com regras de projeto complexas. Um projeto chamado NVCell busca automatizar o máximo possível esse processo por meio de uma abordagem chamada de aprendizado por reforço.
O modelo de IA treinado é usado para corrigir erros de projeto até que seja concluído. A Nvidia afirma que, até o momento, alcançou uma taxa de sucesso de 92%. Em alguns casos, as células projetadas por IA eram menores do que as feitas por humanos. Esse avanço pode ajudar a melhorar o desempenho geral do design e reduzir o tamanho do chip e os requisitos de energia.
A tecnologia de processo está se aproximando rapidamente dos limites teóricos do que podemos fazer com o silício. Ao mesmo tempo, os custos de produção aumentam a cada transição de nó. Portanto, qualquer pequena melhoria na fase de projeto pode levar a melhores rendimentos, especialmente se reduzir o tamanho do chip. A Nvidia terceiriza a fabricação para empresas como Samsung e TSMC. No entanto, Dally diz que o NVCell permite que a empresa use duas GPUs para fazer o trabalho de uma equipe de dez engenheiros em questão de dias, deixando-os focar sua atenção em outras áreas.
A Nvidia não está sozinha no caminho da IA para projetar chips. O Google também está usando aprendizado de máquina para desenvolver aceleradores para tarefas de IA. A gigante das buscas descobriu que a IA pode criar maneiras inesperadas de otimizar o desempenho e os layouts de eficiência energética. A divisão de fundição da Samsung usa uma ferramenta Synopsys chamada DSO.ai, que outras empresas, grandes e pequenas, estão adotando gradualmente.
Também vale a pena notar que as fundições também podem aproveitar os chips de fabricação de IA em nós de processo maduros (12 nm e maiores) para resolver a falta de capacidade de fabricação que se mostrou prejudicial à operação da indústria automotiva nos últimos dois anos. A maioria dos fabricantes está relutante em investir nessa área, pois o espaço de semicondutores é altamente competitivo, focando na vanguarda.
Bem mais de 50 por cento de todos os chips são projetados em nós de processo maduros. Analistas da International Data Corporation esperam que essa participação aumente para 68% até 2025. Sinopse O CEO Aart de Geus acredita que a IA pode ajudar as empresas a projetar chips menores e mais eficientes em termos de energia, onde o desempenho não é uma prioridade, como carros, eletrodomésticos e alguns equipamento industrial. Essa abordagem é muito mais barata do que migrar para um nó de processo mais avançado. Além disso, colocar mais chips em cada wafer também leva a economia de custos.
Esta história não é sobre a IA substituindo humanos no processo de design de chips. Nvidia, Google, Samsung e outros descobriram que a IA pode aumentar os humanos e fazer o trabalho pesado no que diz respeito a designs cada vez mais complexos. Os humanos ainda precisam encontrar os problemas ideais para resolver e decidir quais dados ajudam a validar seus projetos de chip.
Há muito debate em torno da inteligência artificial geral e quando poderemos criá-la. Ainda assim, todos os especialistas concordam que os modelos de IA que usamos hoje mal conseguem lidar com problemas específicos que conhecemos e podemos descrever. Mesmo assim, eles podem produzir resultados inesperados que não são necessariamente úteis para os objetivos finais.