AI技術を活用してより強力な処理チップを開発

現在、ますます多くのスタートアップ企業と大手半導体企業が新しい AI チップの発売を競っています。 Synopsys、Cadence、Mentor Graphics などの電子ツールおよび設計サービス ベンダーは、設計者が製品の製造をスピードアップできるように、さらに前例のないソリューションを見つけたいと考えています。

ここで興味深い点があります。現在、企業が研究開発を加速するために採用している主流の方法の 1 つは、AI テクノロジを使用してより強力な AI チップを構築することです。中でも、設計プロセスのバックエンド（つまり、物理的な設計段階）における AI ツールのサポートは特に成熟しており、早期導入者も大きなメリットを得ています。

図 1: これは Nvidia Drive AGX Orin チップです。非常に複雑な構造を持ち、最大 170 億個のトランジスタが含まれています。興味深いことに、業界では現在、このようなチップのより効率的な設計サポートを提供するために AI 技術を使用しています。

関連する質問

私の友人の多くは、チップ製造の具体的な方法についてよく知らないかもしれません。ここでは、よくある質問をいくつか取り上げて説明します。チップの基本ロジックが決定された後 (数か月、場合によっては数年かかることもよくあります)、次のステップは物理的な設計プロセスです。具体的には、エンジニアは各トランジスタをどこに配置するか、また異なるトランジスタをどのように相互接続するかを決定する必要があります。このプロセスは配置とルーティングと呼ばれます。現代のチップには数十億個のトランジスタが含まれていることが多く、レイアウトと配線の設計とテストを完了するには、複数のエンジニアが 20 ～ 30 週間かかることがよくあります。万が一、何か問題が発生した場合、チップの実際の動作効率が設計要件よりも低くなったり、消費電力が高くなったり、コストが増加したり、正常に使用できなくなる可能性があります。残念ながら、常に機能するチップを配置する「正しい」方法は存在しません。この小さなスペースに直面すると、何千もの選択肢があり、R&D 担当者のタスクは、チップの 3 つの主要な設計指標であるパフォーマンス、消費電力、面積 (総称して PPA と呼ばれる) の間でトレードオフを行うことです。

実際、設計チームは膨大な「検索」問題に直面していました。飛行機のグラフィックスの検索だけでも、驚くべきことに 1,090,000 通りの可能性が考えられました。対照的に、チェスには「たった」10123 の可能性があるのに対し、囲碁には 10360 の可能な状態があります。チェスを例えとして使う理由は、現在の AI ソフトウェアは、チェスをプレイするのと同じように、物理的なデザインを「プレイ」することが完全に可能だからです。 AI ソリューションは多くの場合、膨大な量のコンピューティング リソースを必要としますが、想像を絶する数のオプションを迅速に分類し、一連の確立された目標を達成するためにパラメータを最適化することで、チップ設計に最適な PPA の組み合わせを効率的に見つけることができます。

強化学習: チップ設計の課題を克服する鍵

AI の分野には強化学習 (RL) と呼ばれる教師なし学習の分野があり、試行錯誤を通じて問題の解決策を模索し習得することができます。具体的には、コンピューターはソリューションを 1 つずつ「試し」続け、より良い/悪い結果に基づいてソリューションのパラメーターを継続的に強化します。何兆回も繰り返すと、最終的にソリューションは収束します。これが「ベスト プラクティス」です。

電子設計自動化 (EDA) ベンダーの Synopsys は、顧客と協力してこの実験分野の進歩に取り組んでおり、有望な成果を上げています。

図 2: 設計チームは強化学習を使用して、ネットワーク チップ、モバイル チップ、自動車用チップ、AI アクセラレーション チップなどの物理設計プロジェクトを加速し、驚くべき成果を達成しています。

図 2 は、Synopsys とその顧客が複雑なチップ設計で完了した 4 つのパイロット プロジェクトをまとめたものです。平均すると、これらのプロジェクトは以前の手動の方法よりも 86% 速く完了し、1 人のデータ サイエンティストが 4 ～ 5 人のプロの設計エンジニアに取って代わることができ、すべてのプロジェクトが設定された PPA 目標を満たすか、それを上回りました。興味深いことに、AI が生成したデザインの中には直感に反する効果を持つものもあり、人間の設計チームには想像もつかないような型破りな形でトランジスタを配置しています。しかし、結果はそれを物語っています。これらの成果はより迅速で効率的であり、企業が製品をより早く市場に投入することを可能にします。

要約する

Synopsys の R&D チームとのコミュニケーションの中で、物理設計における RL テクノロジの使用は AI アプリケーションの氷山の一角にすぎないことがはっきりとわかりました。今後、AI と機械学習は、集積回路設計の分野におけるさまざまな共通ワークフローに広く導入されるでしょう。また、2016年にサターンVが初めて発表された際にNvidiaのCEOであるジェンスン・フアン氏が行ったコメントも思い出します。ちなみにサターンVはNvidiaが自社開発したGPUベースのスーパーコンピュータで、当時の世界のスーパーコンピュータランキングで30位にランクされていました。黄氏は、サターンVがNVIDIAの強力な切り札となり、社内の設計エンジニアの生産性向上とより優れた製品の発売に役立つだろうと予測した。 Synopsys の強化学習に関する初期の研究結果と組み合わせることで、AI 支援設計の重要性、および Huang Renxun 氏のこのソリューションに対する認識と期待を誰もがより深く理解できるようになると信じています。