O que os humanos levam meses para fazer, a inteligência artificial do Google faz em seis horas. Essa é a afirmação do Google sobre sua IA capaz de projetar chips de aprendizado de máquina “comparáveis ou superiores” aos feitos por humanos. Depois de anos de experimentos, veremos o primeiro produto comercial a esse respeito em breve: os próximos chips TPU do Google foram projetados por uma IA.
Não é segredo que o Google usa sua IA para projetar chips otimizados para IA. No entanto, agora parece que eles pararam de experimentar e aplicaram a produtos reais. Eles também aproveitaram a oportunidade para publicar um estudo na Nature explicando o desenvolvimento.
A grande vantagem que a IA parece trazer ao design de chips é a velocidade. De acordo com o Google, a grande economia de tempo implícita no uso do algoritmo para projetar em vez de humanos pode ter implicações importantes para a indústria. Em princípio, deve permitir acelerar as iterações de projeto para os próximos chips e projetar rapidamente os chips para usos específicos para os quais são otimizados.
Onde a IA parece mais provável de ter um impacto é no planejamento da colocação de elementos no chip. Este processo é essencialmente escolher para onde na superfície do chip cada elemento (CPU, GPU, memória …) vai. Isso é essencial, pois afeta diretamente a velocidade e a eficiência do chip dependendo da distância de cada elemento dos outros.
Embora este seja um problema de meses de esforço para os humanos, a inteligência artificial o considera um jogo. Ele interpreta cada elemento da ficha como uma peça do jogo e busca posicioná-la no local mais eficiente, sempre levando em consideração todas as outras peças e vários outros fatores. Depois de algumas horas, ele oferece a posição mais eficiente do ponto de vista computacional do conjunto de elementos no limite fornecido.
Para treinar a IA, o Google diz que forneceu dados de 10.000 designs de chips de qualidade superior e inferior. Cada chip foi rotulado de acordo com sua qualidade e levando em consideração valores como o comprimento da fiação necessária ou o uso de energia. Desta forma, a IA aprendeu quais designs são bons e quais não são, e então gerou os seus próprios.