חוקרים ב-Google DeepMind גילו שיטה יעילה ואוטומטית יותר לתכנון שבבי מחשב באמצעות בינה מלאכותית כך לדברי אנשי Alphabet, חברת האם של גוגל .
ההתמקדות בבניית שבבים מהירים ויעילים היא היום האתגר המעסיק את כל החברות המרכזיות בפיתוח שבבים כמו אנבידיה, אינטל ו-AMD . כולן מתחרות על יצור כוח מיחשוב ועיבוד שיספק את הדרישה ההולכת וגוברת של עסקים ליכולות בינה מלאכותית. לעומתן ענקיות מחשוב ענן כמו גוגל ואמזון, בחרו לתכנן שבבי AI משלהן, והימרו על כך שהחומרה שיפתחו בעצמם תהיה מהירה יותר ויקרה פחות להפעלה מאלו של המתחרים.
גוגל היא כיום שחקנית חשובה בפיתוח שבבים לצרכיה הפנימים והיא זו הבוחנת את השימוש בפריצות הדרך האחרונות בתחום הבינה המלאכותית כדי לשפר את שבבי ה-AI המותאמים אישית שלה, הנקראים Tensor Processing Units או בקיצור TPUs. אנשי החברה מאמינים כי בינה מלאכותית המשפרת תחומים כגון קומפוזיציה, הבנה, קידוד ורובוטיקה, יכולה לסייע לה גם בתכנון השבבים עצמם.
DeepMind הלונדונית (נרכשה ע"י גוגל ב-2014 בתמורה ל 650 מליון דולר) חשפה לאחרונה מערכת בינה מלאכותית היכולה לגלות אלגוריתמים מהירים יותר במטרה להיעזר בטכניקות בינה מלאכותית כמו למידה עמוקה כדי להפוך מערכות מחשוב – ממשאבי רשת ועד מרכזי נתונים ושבבים – ליעילות יותר ועמידות יותר. לדברי ד"ר וינוד נאיר חוקר ב-DeepMind. "ככל שהחברה הופכת ליותר ויותר דיגיטלית, אנחנו צריכים יותר ויותר שבבים חזקים, ויותר ויותר שבבים יעודים ליישומים ממוקדים".
החשיבה המסורתית בשיפור ביצועי השבב מסתמכת על חוק מור, שבו בערך כל שנתיים מספר הטרנזיסטורים בשבב מוכפל. אבל כמה מומחים אומרים שכאשר טרנזיסטורים מגיעים לגבולות הפיזיים שלהם, רווחי הביצועים יגיעו מתכנון שבבים מיוחדים יותר. יישומים כמו ChatGPT, רחפנים ומכוניות אוטונומיות פועלים כבר היום בעזרת שבבים ממוקדי משימה כמו מעבדי אותות דיגיטליים (DSP) והמעבדים הגרפיים הנחשקים של אנבידיה.
הגישה המבוססת על בינה מלאכותית של DeepMind, שעליה החלה לעבוד לפני כ-18 חודשים, מתמקדת בביצוע שיפורים כבר בסינתזה הלוגית, שלב תכנון שבבים הכולל הפיכת תיאור התנהגות המעגל למעגל בפועל. שבבי מחשב מורכבים ממיליוני מעגלים לוגיים או "אבני בניין", אומר סרג'יו גואדארמה, מהנדס תוכנה בכיר ב-DeepMind. למרות שקל לבצע אופטימיזציה של כמה מהם באופן ידני, אי אפשר להתמודד עם מיליונים מהם".
צוותDeepMind מאמין כי ע"י שימוש בבינה מלאכותית ניתן יהיה להאיץ את התכנון של מעגלים לוגיים, ולהפוך את התכנון של שבבים מיוחדים לאוטומטיים יותר, יעילים יותר ותלוים פחות בעבודתם של מהנדסי חומרה אנושיים. ההבדל הוא תהומי אומר גוואדררמה "מדובר בהבדל של אלפי תכנונים שנוצרו על ידי בינה מלאכותית בשבוע אחד, בהשוואה לתכנון אחד בלבד המופק על ידי אדם במהלך מספר שבועות".
המפתח לפריצת הדרך של DeepMind הוא השימוש שלה בלמידה עמוקה, טכניקה לסיווג דפוסים באמצעות מערכי אימון גדולים ((LLM ורשתות עצביות של בינה מלאכותית – במילים אחרות, שיטה המאפשרת למכונות ללמוד מנתונים המתוכננים באופן רופף בדומה לדרך שבה המוח האנושי לומד לפתור בעיות. מעבדת הבינה המלאכותית יישמה את אותה טכניקה בביולוגיה, והגיעה לשיאה בהכרזה בשנה שעברה כשהכריזה שהאלגוריתם שלה AlphaFold חזה את המבנה של כמעט כל החלבונים הידועים.
לצורך תכנון שבבים, DeepMind השתמשה בגישה שהיא מכנה "רשתות עצביות במעגל", המאפשרת לחוקרים "לתכנן את הבעיה כך שנראה כאילו אנחנו מאמנים רשת עצבית, אבל למעשה אנחנו מתכננים מעגל", אמר ד"ר נאיר.
בחודש שעבר, הגישה של DeepMind זכתה בתחרות תכנות שארגן פרופ' אלן מישצ'נקו, מאונב' קליפורניה, ברקלי והתמקדה בפיתוח מעגלים קטנים יותר בהפרש משמעותי – הדגימה שיפור יעילות של 27% לעומת הזוכה בשנה שעברה, ושיפור יעילות של 30% לעומת הזוכה במקום השני השנה.
התוצאות של צוות DeepMind היו מעין "רגע אאוריקה", מה שמצביע על כך שלסינתזה לוגית יש התקדמות נוספת, כך ציין מישצ'נקו, שמחקרו מתמקד בסינתזה לוגית יעילה מבחינה חישובית. בדומה לפריצות דרך מדעיות אחרות, מישצ'נקו אמר כי סביר להניח שתוך מספר שנים, חוקרים ואקדמאים ישתמשו בתוצאות של DeepMind כדי לדחוף את התחום קדימה.
דיוויד פאן, פרופסור להנדסת חשמל ומחשבים באוניברסיטת טקסס באוסטין ויועץ של X, חברת Alphabet, אמר כי "בעוד שקיימים כלי אוטומציה תכנוניים המאיצים ומסייעים לתכנון שבבים, כלים כאלה עדיין רחוקים מלהיות אופטימלים והתוצאות של DeepMind, למרות שהן מתמקדות רק בהיבט קטן של תכנון שבבים, הן שלב בסיסי ומבטיח בכל התהליך של יצירת שבב.
