Google DeepMind, bilgisayar çipi gelişimini hızlandıran ve iyileştiren YZ sistemi AlphaChip hakkında daha fazla ayrıntı açıkladı. AlphaChip tarafından oluşturulan çip düzenleri halihazırda Google’ın YZ hızlandırıcılarında kullanılıyor.
Google DeepMind, 2021 Nature araştırmasının devamında çip tasarımı için YZ sistemi hakkında ek bilgiler paylaştı. Artık resmi olarak AlphaChip olarak adlandırılan sistem, optimize edilmiş çip düzenlerini hızla oluşturmak için takviyeli öğrenmeyi kullanır.
Google DeepMind’a göre, AlphaChip, Google’ın Tensor İşleme Birimi (TPU) YZ hızlandırıcısının son üç neslinde çip düzenlerini tasarlamak için kullanıldı. Sistemin performansı istikrarlı bir şekilde iyileşti: TPU v5e için, AlphaChip 10 blok yerleştirdi ve insan uzmanlara kıyasla kablo uzunluğunu %3,2 oranında azalttı. Trillium adlı mevcut 6. nesil için bu, 25 bloğa ve %6,2 oranında bir azalmaya çıktı.
DeepMind, AlphaChip’in AlphaGo ve AlphaZero’ya benzer bir yaklaşım kullandığını söylüyor. Çip düzenini bir tür oyun olarak ele alıyor ve devre bileşenlerini bir ızgaraya birbiri ardına yerleştiriyor. Özel olarak geliştirilmiş bir grafik sinir ağı, sistemin bağlı bileşenler arasındaki ilişkileri öğrenmesini ve farklı çipler arasında genelleştirme yapmasını sağlıyor.
Google’ın yanı sıra diğer şirketler de bu yaklaşımı kullanıyor. Çip üreticisi MediaTek, Samsung akıllı telefonlar için Dimensity Flagship 5G de dahil olmak üzere en gelişmiş çiplerini geliştirmek için AlphaChip’i genişletti.
AlphaChip açık kaynaklı
Google DeepMind, tüm çip tasarım döngüsünü optimize etmek için daha fazla potansiyel görüyor. AlphaChip’in gelecekteki sürümlerinin bilgisayar mimarisinden üretime kadar kullanılması bekleniyor. Şirket, çipleri daha hızlı, daha ucuz ve daha enerji verimli hale getirmeyi umuyor.
Nature’ın devamını yayınlamanın bir parçası olarak Google DeepMind, AlphaChip için bazı açık kaynaklı kaynaklar da sağladı. Araştırmacılar, orijinal çalışmada açıklanan yöntemleri tam olarak yeniden üretebilen bir yazılım deposu yayınladıklarını söylüyorlar.
Harici araştırmacılar bu veri havuzunu kullanarak sistemi çeşitli çip blokları üzerinde önceden eğitebilir ve ardından bunu yeni bloklara uygulayabilirler. Google DeepMind ayrıca 20 TPU bloğu üzerinde eğitilmiş önceden eğitilmiş bir model kontrol noktası sağlıyor.
Ancak araştırmacılar en iyi sonuçlar için özel, uygulamaya özgü bloklarda ön eğitim öneriyor. Açık kaynaklı deponun kullanılmasıyla ön eğitimin nasıl gerçekleştirileceğini açıklayan bir eğitim sağladılar.
Yapayzeka.news’in hiçbir güncellemesini kaçırmamak için bizi Facebook, X (Twitter), Bluesky, LinkedIn, Instagram ve Whatsapp Kanalımız‘dan takip edin.
