Söz konusu ekran kartı olduğunda aklımıza gelen ilk isim olan NVIDIA, gelişmiş silikonlar tasarlarken aynı zamanda birçok alanda mesai harcıyor. Teknoloji devi, ürettiği silikonları kullanarak çip tasarım sürecini geliştirmenin yollarını arıyor.
Yeşil takım, entegre devre tasarımdaki karmaşıklığın önümüzdeki yıllarda katlanarak artmasını bekliyor. Bu nedenle GPU hesaplama birimlerinin gücünü kullanmak, yakında ilgi çekici bir laboratuvar deneyinden tüm yonga üreticileri için bir gerekliliğe dönüşecek.
NVIDIA’nın baş bilim insanı ve kıdemli araştırma başkan yardımcısı Bill Dally, bu yılki GPU Teknoloji Konferansında (GTC) modern GPU’ların ve diğer SoC’lerin arkasındaki tasarım sürecinin çeşitli aşamalarını hızlandırmak için GPU’ların kullanılması hakkında çok şey anlattı. NVIDIA, bazı görevlerin insanların elle yapması yerine makine öğrenimi kullanılarak daha iyi ve daha hızlı gerçekleşeceğine inanıyor.
Dally, GPU’ları giderek daha hızlı hale getirmek için enerji harcayan ve 300 araştırmacıdan oluşan bir ekibe liderlik ediyor. Bu ekip, teknolojik zorlukların üstesinden gelmek, geleneksel yöntemlerin dışında çeşitli görevleri otomatik hale getirmek ve hızlandırmak için GPU yeteneklerini kullanmak istiyor. Bahsi geçen araştırma ekibi 2019’da 175 kişiydi, şimdi ise büyümeye devam ediyor.
Bill Dally, çip tasarımını hızlandırma söz konusu olduğunda NVIDIA’nın makine öğrenimi tekniklerinden yararlanmak için dört alan belirlediğini söylüyor. Örneğin bir GPU’da gücün kullanıldığı yerleri haritalama, geleneksel bir CAD aracında üç saat süren yinelemeli bir işlem. Ancak bu görev, özel olarak eğitilmiş bir yapay zeka (AI) modeli kullanıldığında yalnızca dakikalar alıyor. Model öğretildikten sonra bu zamanlama saniyelere kadar inebiliyor. Elbette yapay zekada hata payları önemli. Ancak Dally, NVIDIA’nın araçlarının şimdiden yüzde 94 doğruluk elde ettiğini ve bunun hala saygın bir rakam olduğunu söylüyor.
Devre tasarımı, kısmi tasarımlar üzerinde simülasyonlar çalıştırdıktan sonra mühendislerin düzeni birkaç kez değiştirmesini gerektiren, yoğun emek harcanan bir süreç. Bu nedenle doğru parazitler hakkında doğru tahminler yapmak üzere AI modellerini eğitmek, istenen tasarım özelliklerini karşılamak için gereken küçük ayarlamaların yapılmasıyla ilgili birçok manuel çalışmanın ortadan kaldırılmasına yardımcı olabilir. NVIDIA, grafik sinir ağlarını kullanan parazitleri tahmin etmek için GPU’lardan yararlanabilir.
Dally, modern çipleri tasarlamanın en büyük zorluklarından birinin yönlendirme tıkanıklığı olduğunu söylüyor. Bu kusur, transistörlerin ve onları birbirine bağlayan birçok küçük kablonun optimum şekilde yerleştirilmediği belirli bir devre düzeninde kendini gösteriyor. Bunu bir trafik sıkışıklığına benzetebiliriz, ancak otomobiller yerine bitleri düşünelim. Mühendisler, bir grafik sinir ağı kullanarak sorunlu alanları hızlı bir şekilde tanımlarken yerleşimlerini ve yönlendirmelerini buna göre ayarlayabiliyor.
Bu senaryolarda NVIDIA, insanlar tarafından yapılan çip tasarımları yerine yapay zekayı kullanmaya çalışıyor. Şirket mühendisleri, yoğun emek harcanan ve hesaplama açısından pahalı bir sürece başlamak yerine, bir vekil model oluşturabilir ve yapay zeka kullanarak hızlı bir şekilde değerlendirme yapabilir. Teknoloji devi ayrıca GPU’larda ve diğer gelişmiş silikonlarda kullanılan transistör mantığının en temel özelliklerini tasarlamak için yapay zekadan faydalanmak istiyor.
GPU üreticisi, binlerce standart hücrenin karmaşık tasarım kurallarına göre değiştirilmesinin gerektiği daha gelişmiş bir üretim teknolojisine geçmek için gerekli adımları atmaya çoktan başladı. NVCell adlı bir proje, pekiştirmeli öğrenme adı verilen bir yaklaşımla bu süreci mümkün olduğunca otomatikleştirmeye çalışıyor.
Eğitimli yapay zeka modeli, tamamlanana kadar tasarım hatalarını düzeltmek için görev yapıyor. NVIDIA bugüne kadar yüzde 92’lik bir başarı oranı elde ettiğini iddia ediyor. Bazı durumlarda yapay zeka ile tasarlanmış hücreler, insanlar tarafından yapılanlardan daha küçük boyutlarda olabiliyor. Yapılan tüm atılımlar ise tasarımın genel performansını iyileştirebilir, aynı zamanda çip boyutunu ve güç gereksinimlerini azaltmaya yardımcı olabilir.
Yarı iletken işlem teknolojileri, silikonla ulaşabileceğimiz teorik sınırlara hızla yaklaşıyor. Öte yandan üretim tekniği değiştikçe maliyetler de artmakta. Bu nedenle tasarım aşamasındaki herhangi bir küçük iyileştirme, özellikle wafer boyutunu küçültüyorsa daha iyi verim sağlayabilir.
Yeşil ekip bildiğiniz gibi yonga üretimini Samsung ve TSMC gibi şirketlere yaptırıyor. NVIDIA’nın önde gelen isimlerinden Dally ise NVCell sayesinde işlerin daha hızlı ilerlediğini söylüyor. On mühendisten oluşan bir ekip, GPU hızlandırma yeteneklerini kullanarak işlerini daha hızlı şekilde yürütebiliyor. Böylelikle şirket içindeki önemli beyinler diğer alanlara daha kolay odaklanabiliyor.
NVIDIA, söz konusu çip tasarımı olduğunda yapay zekaya yönelen tek şirket değil. Bir başka teknoloji devi Google, yapay zeka görevleri için hızlandırıcılar geliştirmek için makine öğrenimini kullanıyor. Google, yapay zekanın performansı ve güç verimliliğini optimize etmek için beklenmedik yollar keşfetti. Samsung’un yarı iletkenden sorumlu bölümü ise büyük ve küçük diğer şirketlerin yavaş yavaş benimsediği “DSO.ai” adlı bir Synopsys aracı kullanıyor.
Yarı iletken üretiminde yaşanan eksikler nedeniyle otomotiv endüstrisi son iki yılda büyük zararlar gördü. Bu bağlamda dökümhaneler, kıtlığı gidermek için olgun üretim tekniklerinde (12 nm ve daha büyük) yapay zeka üretim çiplerinden yararlanabilir. Öte yandan yarı iletken alanı son derece rekabetçi olduğundan, çoğu üretici bu alana yatırım yapmakta isteksiz.
Tüm çiplerin yüzde 50’den fazlası olgunlaşmış yarı iletken süreçleriyle tasarlanıyor. International Data Corporation analistleri bu payın 2025 yılına kadar yüzde 68’e yükselmesini bekliyor. Synopsis CEO’su Aart de Geus, şirketlerin arabalar, ev aletleri ve performansın öncelikli olmadığı diğer birçok cihazda yapay zeka kullanarak çipler tasarlayabileceğine inanıyor. Bu yaklaşım daha gelişmiş bir üretim teknolojisine geçiş yapmaktansa daha az maliyetli. Ek olarak, her bir wafer’a (silikon disk plaka) daha fazla çip yerleştirmek, yine maliyette tasarruf sağlıyor.
Bildiğiniz gibi yapay zekanın zamanla insanların yerini alacağı konusunda birçok görüş var. Bahsettiğimiz çip tasarım sürecinde ise böyle bir hikaye söz konusu değil. NVIDIA, Google, Samsung ve diğer şirketler, yapay zekanın insanları güçlendirebileceğini ve giderek karmaşıklaşan tasarımlar söz konusu olduğunda ağır işleri yapabileceğini keşfetti. İnsanlar hala çözmek ve hangi verilerin çip tasarımlarını doğrulama konusunda yardımcı olduğuna karar vermek için sorunları bulmak zorunda. Yapay zeka ise bu süreci çok daha hızlı bir şekilde işleyebiliyor.
