دانشمند ارشد انویدیا اخیراً در مورد اینکه چگونه تیم های تحقیق و توسعه او از پردازنده های گرافیکی برای تسریع و بهبود طراحی پردازنده های گرافیکی جدید استفاده می کنند صحبت کرده است. چهار فرآیند پیچیده و به طور سنتی کند قبلاً با استفاده از تکنیک‌های یادگیری ماشینی (ML) و هوش مصنوعی (AI) تنظیم شده‌اند. در یک مثال، استفاده از استنتاج تسریع شده AI/ML می تواند یک کار طراحی تکراری GPU مشترک را از سه ساعت به سه ثانیه سرعت بخشد.
دالی در سخنرانی خود چهار حوزه مهم از طراحی GPU را که در آنها می توان از AI/ML برای تاثیرگذاری زیاد استفاده کرد، ترسیم کرد: نقشه برداری افت ولتاژ، پیش بینی انگل ها، چالش های مکان و مسیریابی، و خودکارسازی مهاجرت استاندارد سلول.
نقشه برداری افت ولتاژ به طراحان نشان می دهد که در طراحی های جدید GPU از برق استفاده می شود. دالی می گوید استفاده از یک ابزار CAD معمولی به شما کمک می کند این ارقام را در حدود سه ساعت محاسبه کنید. با این حال، ابزار هوش مصنوعی انویدیا پس از آموزش می‌تواند این فرآیند را تا سه ثانیه کاهش دهد. چنین کاهشی در زمان پردازش به فرآیندی مانند این که ماهیت تکراری دارد کمک زیادی می کند. این فرآیند، همانطور که وجود دارد، دقت ۹۴٪ را ارائه می دهد، که معادل افزایش سرعت تکراری عظیم است.
پیش‌بینی انگلی با استفاده از هوش مصنوعی برای دالی خوشایند است. او می گوید که مدت زیادی را به عنوان یک طراح مدار گذرانده است و این مدل هوش مصنوعی جدید یک فرآیند طولانی چند نفره و چند مهارتی را کاهش می دهد. باز هم خطای شبیه سازی به طور معقولی کم است، در این مورد کمتر از ۱۰٪ است. کاهش این فرآیندهای تکراری طولانی و سنتی می تواند طراح مدار را آزاد کند تا خلاق تر یا ماجراجوتر باشد.
چالش‌های مکان و مسیریابی برای طراحی تراشه مهم هستند زیرا مانند برنامه‌ریزی جاده‌ها از طریق یک شهرک شلوغ هستند. دریافت این اشتباه منجر به ترافیک (داده) می شود که برای کارایی نیاز به تغییر مسیر یا برنامه ریزی مجدد طرح بندی ها دارد. استفاده از شبکه های عصبی گراف (GNN) برای تجزیه و تحلیل این موضوع در طراحی تراشه کمک می کند تا زمینه های نگرانی برجسته شود و به طور هوشمندانه روی مسائل عمل شود.
در نهایت، خودکار کردن مهاجرت استاندارد سلول با استفاده از هوش مصنوعی یکی دیگر از ابزارهای بسیار مفید در جعبه ابزار طراحی تراشه انویدیا است. دالی می‌گوید با استفاده از هوش مصنوعی یادگیری تقویتی، ۹۲ درصد از کتابخانه سلولی می‌تواند توسط این ابزار بدون قانون طراحی یا خطای قوانین الکتریکی انجام شود.
