انویدیا طراحی تراشه‌های خود را به هوش مصنوعی واگذار می‌کند

انویدیا از یک مدل زبانی بزرگ به نام ChipNeMo که برای طراحی تراشه‌های پیشرفته و ساده‌سازی روند ساخت آن‌ها آموزش دیده است. این هوش مصنوعی در واقع یک مدل تخصصی بزرگ با 43 میلیارد پارامتر با هدف تقویت بهره‌وری روند طراحی تراشه‌های جدید به شمار می‌آید.

هوش مصنوعی به یک فناوری نوظهور بسیار کاربردی تبدیل شده که می‌تواند برای کسب‌وکارهای مختلف و شرکت‌های بزرگ مزایای قابل توجهی به همراه داشته باشد.

یکی از شرکت‌هایی که اخیراً به استفاده از AI و اضافه کردن خدمات و سرویس‌های مرتبط با این حوزه علاقه‌مند شده، انویدیا است.

این غول فناوری اخیراً از یک مدل زبانی بزرگ (LLM) به نام ChipNeMo رونمایی کرده که در واقع یک مدل تخصصی بزرگ با 43 میلیارد پارامتر با هدف تقویت بهره‌وری روند طراحی تراشه‌های جدید به شمار می‌آید.

ساده‌سازی روند طراحی و تولید تراشه‌های جدید انویدیا

به گزارش Tomshardware، این ابزار مبتنی بر فناوری هوش مصنوعی با بررسی جنبه‌های مختلف روند طراحی تراشه و پاسخ دادن به سؤالات، فشرده‌سازی گزارش‌های اشکالات و ایجاد اسکریپت‌هایی برای ابزارهای اتوماسیون طراحی الکترونیکی (EDA)، وعده ساده‌سازی ساخت تراشه‌های پیشرفته را می‌دهد.

بیل دالی (Bill Dally)، دانشمند ارشد انویدیا، در مصاحبه‌ای که با مجله EE Times پیش از کنفرانس بین‌المللی طراحی به کمک کامپیوتر داشت، اعلام کرد:

هدف از ایجاد چنین سیستم پیشرفته آن است که بهره‌وری طراحان تراشه خود را افزایش دهیم. ما حتی اگر چند درصد در بهره‌وری پیشرفت داشته باشیم، ارزش چنین چیزی را دارد. اهداف ما در واقع این است که همواره کمی بهتر از قبل عمل کنیم.

هوش مصنوعی ChipNeMo بر اساس مجموعه‌ای از داده‌های خود انویدیا که شامل مخازن کد‌های داخلی شرکت و متن‌های مختلف از جمله اسناد معماری و طراحی هستند، آموزش دیده است.

این رویکرد پیش‌آموزشی تضمین می‌کند که هوش مصنوعی جدید انویدیا با درک کامل و دقیقی از روند طراحی و معماری تراشه‌های خاص Nvidia عمل کند. ChipNeMo می‌تواند به سؤالات مرتبط با طراحی تراشه پاسخ دهد، مستندات دقیق یک باگ را در پاراگراف‌های کوتاه خلاصه کند (برای درک آسان‌تر باگ‌ها)، یا اسکریپت‌های کوتاه را برای ارتباط با ابزارهای CAD بنویسد. این ابزار همچنین می‌تواند شبیه‌سازی‌های منطقی را اجرا کرده و بنچمارک‌ها مورد نیاز را در مراحل اولیه طراحی آزمایش کند تا عملکرد و قابلیت طراحی را تأیید کند.

البته یکی از مشکلات ابزارهای هوش مصنوعی مولد آن است که امکان ارائه پاسخ‌های نادرست یا جعلی در آن‌ها وجود دارد. وقتی صحبت از طراحی و تولید تراشه به میان می‌آید، این اشتباه کوچک می‌تواند منجر به خطاهای بسیار گران‌قیمتی برای انویدیا شود؛ بنابراین برای جلوگیری از این امر، انویدیا از تکنیک نسل افزوده بازیابی (RAG) استفاده می‌کند.

در همین رابطه بخوانید:

– معایب و خطرات هوش مصنوعی برای بشریت

– با بهترین ابزار های هوش مصنوعی (AI) در سال 2023 آشنا شوید

RAG به یک پایگاه داده از اسناد منبع برای بررسی خروجی‌های مدل و ساخت یک چهارچوب کلی گفته می‌شود. این رویکرد احتمال ایجاد پاسخ‌های نادرست یا توهم‌آمیز توسط مدل را کاهش داده و اطمینان حاصل می‌کند که پاسخ‌های تولید شده بر اساس دانش واقعی و از قبل موجود هستند.