Современные чипы достигли рекордного уровня сложности, они вмещают более 50 млрд. транзисторов на площади больше 800 мм², поэтому разрабатывать их вручную уже не представляется возможным. Инструменты Electronic Design Automation (EDA) позволяют автоматизировать процесс разработки дизайна чипов, чтобы вмещать на минимальной площади максимум электронных схем без ущерба производительности.
Сегодня в данный процесс повсеместно вовлекаются алгоритмы машинного обучения. Synopsis предлагает свое решение DSO.ai , улучшающее EDA до 26% (подразумевается меньшее энергопотребление). Google рассказывала о разработке дизайна чипов с использованием алгоритмов Deep Reinforcement Learning еще весной 2020. Те же Cadence или Mentor (Siemens) предлагают схожие инструменты.
NVIDIA представила результаты исследования, которое использует метод обучения с подкреплением (reinforcement learning, RL)для автоматизированной разработки чипов. Дизайн H100 GPU на архитектуре Hopper использует 13.000 инстанций RL, если верить NVIDIA. К подобным частичным схемам на GPU относятся, например, сумматоры или шифраторы, ...