英伟达用AI设计GPU:最新H100已经用上，比传统EDA减少25%芯片面积白交发自凹非寺量子位|公众号

白交发自凹非寺
量子位|公众号QbitAI
英伟达终于揭晓：
H100竟有近13000条电路，是AI设计的？！

文章图片
在最新论文中，他们介绍了如何用深度强化学习agent设计电路的方法。
据研究人员称，这种方法还属业内首次。

文章图片
值得一提的是，这篇文章包含参考文献在内，仅有短短6页。
不少网友表示，太酷了！

文章图片
靠玩游戏来学习构建电路架随着摩尔定律变慢，开发其他技术来提高芯片性能变得愈发重要。
设计更小、更快、功耗更低的算术电路，就是其中的方式之一。
基于这样的背景，研究人员提出了PrefixRL——用深度强化学习优化并行前缀电路。

文章图片
据研究人员介绍，他们不仅证明了AI可以从头开始设计电路，而且比EDA工具设计得更小、更快。

文章图片
最新英伟达Hopper架构就拥有13000个AI设计电路的实例。
来具体看看这项研究。
本文主要研究了一种流行的并行前缀电路，着重讨论了电路的两大特性：电路面积和延迟。
已有的优化基本思路，是使用电路发生器将前缀图形转换为带有导线和逻辑门的电路，再用物理综合工具进一步优化。
他们将算术电路设计看作是一个强化学习任务，训练一个agent来优化两大特性。
对于前缀电路，还设计了一个环境。

文章图片
在这个环境中agent玩构建电路架构（前缀图形）的游戏，可以从中添加or删除节点，会因为电路面积最小化和低延迟而获得奖励。
研究人员使用Q-Learning算法来训练agent 。
首先将前缀图表示成网格，网格中的每个元素都映射到电路中的节点。
输入和输出均为网格，只不过输入网格中的每个元素表示节点是否存在，输出每个元素则表示用于添加或删除节点的Q值。

文章图片
在实际训练中， PrefixRL是一项计算要求很高的任务：物理模拟每个GPU需要256个CPU ，训练64b用例花费超32000个GPU小时。
为此，研究人员还开发了个分布式强化学习训练平台Raptor 。

文章图片
结果显示，在相同延迟、效能下PrefixRL加法器面积比EDA工具加法器面积减少了25% 。

文章图片
研究团队本次研究来自英伟达应用深度学习研究小组。
他们希望这个方法有希望让AI应用到实际电路设计问题当中去。
近年来， AI设计芯片这件事儿很多科技公司都已经在展开。
最典型如谷歌，去年6月在Nature上发表了一篇文章：Agraphplacementmethodologyforfastchipdesign 。
文中表示， AI能在6个小时内生成芯片设计图，而且比人类设计得更好。

文章图片
还有像三星、新思、cadence等企业也都有相应的解决方案。
前阵子在英伟达GTC大会上，首席科学家、计算机架构大师BillDally就分享了AI在芯片设计上的几种应用。