كان قانون مور Moore خاضعًا للتفكير الدائم في السنوات القليلة الماضية حول ما سيحدث لصناعة أشباه الموصلات إذا انتهت. قد تؤدي نهايتها إلى إبطاء إنتاج رقائق جديدة ، مما قد يعوق تقدم التقنيات مثل الذكاء الاصطناعي. في بحثها حول هذه النقطة ، قدمت Google مؤخرًا خوارزمية التعلم التعزيزي طورتها بهدف تحسين وضع المكونات على شريحة. هذا سيجعلها أكثر كفاءة وأقل استهلاك للطاقة.
تتطلب الرقائق المخصصة للذكاء الاصطناعي الكثير من التمويل وتستغرق وقتًا أطول لتصبح جاهزة للإستخدام. من ناحية أخرى ، تتطور خوارزميات التعلم الآلي بشكل أسرع بكثير على عكس تنفيذ الرقائق التي تستمر بشكل عام بين سنتين وخمس سنوات. هذا فرق زمني كبير جدًا سعت الشركات والباحثون منذ فترة طويلة لحله. بالإضافة إلى ذلك ، فإن وضع المكونات على رقاقة ، المسمى “تخطيط الأرضية الرقيقة chip floor planning” ، يمثل مشكلة تصميم ثلاثية الأبعاد معقدة.
يضطر المصممون أحيانًا إلى الاحتفاظ بآلاف المكونات بنجاح في منطقة صغيرة جدًا. إنه عمل يدوي ، مما يجعل الأمر أكثر صعوبة. وفقا للباحثين ، كل هذا له تأثير تباطؤ على الابتكارات في الذكاء الاصطناعي ومشتقاته. لإصلاح ذلك ، كانت لدى Google فكرة تصميم شرائح AI بواسطة AI نفسه. بعبارة أخرى ، يرغب عملاق البحث على الإنترنت في توجيه تطوير شرائح الذكاء الاصطناعي نحو التصميم الذكي باستخدام التعلم المعزز.
كتب باحثو Google في مقال يصف العمل الذي تم نشره على Arxiv : “نحن نعتقد أن الذكاء الاصطناعي نفسه هو الذي سيوفر الوسائل لتقليل دورة تصميم الرقائق ، من خلال إنشاء علاقة تكافلية بين الأجهزة والذكاء الاصطناعي ، كل منها يغذي تقدم الآخر” .
في الواقع ، تستخدم خوارزميات التعلم المعزز ردود فعل إيجابية وسلبية لتعلم المهام المعقدة. لذلك صمم الباحثون ما يسمى بـ “وظيفة المكافأة” لمعاقبة ومكافأة الخوارزمية بناءً على أداء تصميماتها. ووفقًا لـ Google ، سعت العديد من خوارزميات التحسين وتخطيط الرقائق إلى تسريع عملية التصميم ، ولكنها كانت محدودة في قدرتها على التحسين لأغراض متعددة.
وتشمل هذه المحدودية استهلاك الطاقة وأداء الحوسبة ومساحة سطح رقاقة . “لقد رأينا بالفعل أن هناك خوارزميات أو بنيات الشبكات العصبية التي لا تعمل بشكل جيد على أجيال المسرعات الحالية ، لأن المسرعات صممت قبل عامين ، وذلك في ذلك الوقت قالت أزاليا ميرهوسيني Azalia Mirhoseini ، الباحثة الرئيسية في Google: “في ذلك الوقت ، لم تكن هذه الشبكات العصبية موجودة . إذا اختصرنا دورة التصميم ، يمكننا سد الفجوة”.
لذا تعتزم خوارزمية Google التخلص من هذه المشاكل. ويأمل الفريق في أن أنظمة الذكاء الاصطناعي ستجعل من الممكن تصميم “المزيد من الرقائق في نفس الفترة الزمنية ، وكذلك الرقائق التي تعمل بشكل أسرع ، وتستهلك طاقة أقل ، وتكلف أقل لبناء واستخدام أقل مساحة سطح الرقائق “.
المصدر : Arxiv
