شرکت Nvidia تصمیم گرفته از یک هوش مصنوعی مولد یا Generative AI به نام ChipNeMo برای مهندسان خود به صورت آزمایشی استفاده کند.
هوش مصنوعی مولد چیست؟
کاربردهای هوش مصنوعی مولد
این هوش مصنوعی می‌تواند گزارش باگ‌ها را تحلیل و خلاصه کند، به طوری که مهندسان بتوانند سریع‌تر مشکلات را شناسایی و رفع کنند. این هوش مصنوعی همچنین قادر است بر اساس داده‌های موجود به مهندسان مشاوره دهد و همچنین به سؤالات فنی آن‌ها پاسخ دهد. از دیگر قابلیت‌های ChipNeMo، اسکریپت نویسی برای ابزارهای طراحی است که موجب تسهیل بهینه‌سازی فرایند طراحی و توسعه می‌شود.
بیل دالی، مدیر ارشد فناوری شرکت Nvidia در کنفرانس بین‌المللی IEEE/ACM اعلام کرد که این شرکت در حال آزمایش یک مدل زبانی بزرگ (AI) برای افزایش بهره‌وری طراحان تراشه این شرکت است.
کنفرانس IEEE/ACM
بیل دالی در مصاحبه‌ای قبل از کنفرانس اظهار داشت که حتی اگر بتوانیم بهره‌وری را 5 درصد افزایش دهیم، یک پیروزی بزرگ حاصل شده است. البته او به این موضوع هم اشاره کرد که Nvidia هنوز نمی‌تواند ادعا کند به این هدف دست یافته است. مزایای ChipNeMo هنوز کاملاً ثابت نشده‌اند. با این حال گروهی از مهندسان Nvidia که از آن استفاده می‌کنند، بازخوردهای مثبتی ارائه کرده‌اند.
معرفی ChipNeMo
ChipNeMo ورژنی از یک مدل زبانی بزرگ (LLM) است. این مدل از 43 میلیارد پارامتر تشکیل شده است و به واسطه بیش از یک تریلیون توکن (واحدهای بنیادی زبان) اطلاعات گسترده‌ای را از داده‌های مختلف کسب می‌کند. مدل زبانی بزرگ (LLM) با استفاده از حجم زیادی از داده‌های کلی آموزش داده می‌شود. حال برای اینکه یک مدل هوش مصنوعی مثل ChipNeMo بتواند در یک حوزه خاص (مثل طراحی تراشه) عملکرد بهتری داشته باشد، نیاز است که با داده‌های تخصصی آن حوزه دوباره آموزش داده شود.
برای این منظور هوش مصنوعی باید دو مرحله دیگر را نیز پشت سر بگذارد. ابتدا باید مدل اصلی که قبلاً آموزش دیده دوباره با استفاده از 24 میلیارد توکن از داده‌های تخصصی آموزش داده شود. 12 میلیارد از این توکن‌ها را اسناد طراحی، گزارش باگ‌ها و دیگر داده‌های Nvidia که طی 30 سال کار در طراحی تراشه‌ها جمع‌آوری شده بودند، تشکیل می‌دهند. 12 میلیارد توکن دیگر شامل کدهایی مانند زبان توصیف سخت‌افزار Verilog و اسکریپت‌های مربوط به ابزارهای خودکار طراحی الکترونیک صنعتی (EDA) هستند.
سه عملکرد مهم ChipNeMo
نتیجه این عملیات، مدل ChipNeMo بود که سه عملکرد مهم دارد:
- چت‌بات: ChipNeMo به عنوان یک چت‌بات عمل می‌کند که می‌تواند به سؤالات و درخواست‌های مهندسان پاسخ دهد و به آن‌ها کمک کند.
- نویسنده اسکریپت ابزار EDA: این مدل می‌تواند اسکریپت‌هایی برای ابزارهای خودکار طراحی الکترونیک صنعتی (EDA) بنویسد که در فرایند طراحی تراشه‌ها به کار می‌روند.
خلاصه‌سازی گزارش باگ‌ها: ChipNeMo قادر است گزارش باگ‌ها را تحلیل و خلاصه کند تا مهندسان بتوانند سریع‌تر مشکلات را شناسایی و رفع کنند.
مزایای استفاده از ChipNeMo
استفاده از ChipNeMo به عنوان یک چت‌بات سبب صرفه‌جویی زمان طراحان می‌شود. بیل دالی اظهار داشت که طراحان ارشد زمان زیادی را صرف پاسخ به سؤالات طراحان جوان‌تر می‌کنند به همین دلیل این هوش مصنوعی می‌تواند با پاسخ دادن به سوالاتی که نیاز به تجربه دارند (مانند معنی یک سیگنال یا نحوه اجرای یک تست خاص) باعث صرفه‌جویی در زمان طراحان ارشد شود.
چت‌بات‌ها معمولاً وقتی جواب سؤالی را نمی‌دانند، پاسخ‌های نادرست و با اطلاعات غیرواقعی می‌دهند. به همین دلیل، توسعه‌دهندگان Nvidia از یک چهارچوب هوش مصنوعی به نام retrieval-augmented generation در ChipNeMo استفاده کردند تا دقت در پاسخ‌دهی را افزایش دهند. به این صورت هوش مصنوعی مجبور می‌شود در پاسخ‌دهی به سؤالات به اسناد و داده‌های داخلی Nvidia استناد کند.
اضافه کردن این قابلیت دقت را به میزان قابل‌توجهی افزایش می‌دهد و مهم‌تر از همه این قابلیت سبب غلبه بر توهم چت‌بات در پاسخ‌دهی می‌شود.
ChipNeMo همچنین به مهندسان کمک می‌کند تا آزمایش‌هایی روی طراحی‌ها خود انجام دهند. بیل دالی می‌گوید ما از ابزارهای طراحی متعددی استفاده می‌کنیم که بسیار پیچیده هستند و معمولاً شامل خطوط زیادی از اسکریپت نویسی می‌شوند. ChipNeMo با استفاده از یک رابط انسانی بسیار طبیعی به جای دستورات بسیار پیچیده و خودکار، کار مهندسان طراح را ساده‌تر کرده است.
ChipNeMo گزارش باگ‌ها را تجزیه و تحلیل و خلاصه‌سازی می‌کند. در نتیجه وقتی یک تست با شکست مواجه می‌شود، در سیستم داخلی Nvidia یک گزارش باگ ثبت می‌شود. هر گزارش شامل داده‌های دقیقی از وضعیت رخ داده است. سپس یک ARB (action required by) به یک طراح برای رفع مشکل ارسال می‌شود.
ChipNeMo گزارش باگ را که صفحات زیادی دارد به اندازه‌ای کوچک می‌کند که گاهی اوقات تنها به یک پاراگراف محدود می‌شود. این امر منجر به تسریع تصمیم‌گیری‌ها می‌شود. ChipNeMo حتی می‌تواند این خلاصه را به دو حالت ارائه کند: یکی برای مهندس طراح و دیگری برای مدیر.
بیل دالی معتقد است اگرچه سازندگان ابزارهای طراحی تراشه دیگری مانند Synopsys و Cadence از فناوری هوش مصنوعی استفاده می‌کنند اما Nvidia به دنبال تحقق یک هدف خاص‌تر است که شامل استفاده از هوش مصنوعی برای افزایش بهره‌وری در طراحی تراشه‌ها می‌شود.
