Nvidia: GPU-basierte KI kann Next-Gen-Chips entwickeln
Nvidia ist eines der führenden Unternehmen im Bereich Künstliche Intelligenz (KI). Wichtige Technologien, die darauf basieren und viele Spieler betreffen, sind Deep Learning Super Sampling (DLSS) sowie KI-beschleunigtes Denoising. Nvidia hat allerdings auch anderweitige Verwendung für KI-Techniken gefunden und möchte diese nach Aussage des eigenen Chief Scientists auch für weitere Chipentwicklung nutzen.
Nvidia möchte die Nutzung seiner künstlichen Intelligenz im Themenfeld der Chipentwicklung ausweiten. Die einfachste Implementierung von KI ist die Nutzung existierender Design-Tools. Dabei kann beispielsweise nachgesehen werden, wie viel Leistung eine GPU an welcher Stelle aufnimmt und dementsprechend durch KI vorausgesagt werden, wie groß der IR-Drop ist. Mit konventionellen Möglichkeiten dauert ein solcher Test ca. drei Stunden und ist wesentlich aufwendiger. Im KI-Modell dauert der Vorgang drei Sekunden bzw. 18 Minuten, wenn das Training für die Merkmalsextraktion mitgerechnet wird. Die Ergebnisse beider Methoden sind gut vergleichbar, doch die KI-Lösung ist wesentlich schneller.
Für die Entwicklung neuer Grafikarchitekturen oder sonstiger Chips sieht Nvidias Chief Scientist William Dally den Nutzen von KI ebenfalls gegeben. So könne damit parasitäres Verhalten prognostiziert werden. Darunter verstehe man ungewollte Elemente, die beim Komponenten- bzw. Chipdesign auftreten und für Inkompatibilitäten und sonstige Probleme sorgen. Durch die KI-Nutzung soll damit die Anzahl der Arbeitsschritte reduziert werden, was für eine effektivere Verwendung der Mannstunden der Entwickler sorgen könne. Auch das Layout lasse sich mithilfe von KI verbessern. Durch die eingegebenen Parameter kann das System die Entwickler warnen, wenn es zu Problemen kommen sollte und ihnen damit ebenfalls Zeit ersparen.
Auch lesenswert: Grafikkarte kaufen: Aktuell günstigste Geforce-Angebote von RTX 3050 bis RTX 3090 Ti
Auch lesenswert: Monitor, TV, iPhone/iPad: Diese Amazon-Wochenend-Angebote sollte man kennen
Der interessanteste Nutzungsfall scheint jedoch die Zellenmigration zu sein. Diese beschreibe den Wechsel eines Fertigungsprozesses auf einen kleineren Node. Die einzelnen Zellen sind Volladdierer, Und- bzw. Oder-Gates. Davon soll es Tausende Zellen geben, die alle unter Berücksichtigung hochkomplexer Designregeln neu entworfen werden müssen. Dabei könne KI brillieren und diese nacheinander anwenden, um Designfehlern, die Menschen passieren, vorzubeugen und einen problemlosen Node-Wechsel zu gewährleisten.
Quelle: PC Gamer
Was für einen Vorteil bringt die KI im Vergleich zu Programmen, die gut formulierten Design Rules folgen und die Einhaltung auch überwachen?
Wann parasitäre Effekte entstehen und wo es eine zu hohe Wärmekonzentration geben könnte, ist jetzt nicht unbedingt neues Wissen.
Wenn man beim Training nicht gut aufpasst, kann die KI was anderes lernen, als sie soll.
Dann bekommt man zwar Ergebnisse, allerdings kann man sich auf selbige nicht verlassen und muss den gleichen Test nochmal machen - diesmal aber manuell.
Leider weiß man nie genau, ob man die KI gut trainiert hat. In diesem Fall werden dann "manuelle" Tests wegfallen und man bemerkt Fehler im Training erst, wenn die ersten Chips aus der Fabrik zum Testen kommen.
Das sind potentiell sehr teure Fehler.
Zusätzlich werden solche Tools nicht unvalidiert eingesetzt. Man weiß also in welchen Situationen die KI Probleme hat und kann entsprechende Maßnahmen treffen.
Bei der 4 Minuten Marke im Video sollte es Klick machen
[Ins Forum, um diesen Inhalt zu sehen]
Letzten Endes muss die AI aber mit dem aktuellen Stand der Dinge trainiert werden, sie kann nicht von sich aus Probleme erkennen, die es zuvor nie gegeben hat. So funktioniert das nicht.
Aber wer weiß, was in den letzten Jahres so alles hinter verschlossenen Türen bei NVIDIA passiert ist.
Ja, aber weil mein Real-Name drunter steht werde ich die hier nicht öffentlich stellen, sorry.
Was für einen Vorteil bringt die KI im Vergleich zu Programmen, die gut formulierten Design Rules folgen und die Einhaltung auch überwachen?
Wann parasitäre Effekte entstehen und wo es eine zu hohe Wärmekonzentration geben könnte, ist jetzt nicht unbedingt neues Wissen.
Ich sehe da eher eine weitere Möglichkeit einer Fehlerquelle.
Wenn man beim Training nicht gut aufpasst, kann die KI was anderes lernen, als sie soll.
Dann bekommt man zwar Ergebnisse, allerdings kann man sich auf selbige nicht verlassen und muss den gleichen Test nochmal machen - diesmal aber manuell.
Leider weiß man nie genau, ob man die KI gut trainiert hat. In diesem Fall werden dann "manuelle" Tests wegfallen und man bemerkt Fehler im Training erst, wenn die ersten Chips aus der Fabrik zum Testen kommen.
Das sind potentiell sehr teure Fehler.