NVIDIA GPU Design Automation ersetzt monatelange manuelle Arbeit

NVIDIA hat NVIDIA GPU design automation-Tools implementiert, die komplexe Halbleiteraufgaben von 80 Personenmonaten auf einen einzigen Vorgang über Nacht reduzieren. Laut NVIDIA-Chef-Wissenschaftler Bill Dally portiert das unternehmenseigene Reinforcement-Learning-Tool NVCell Standardzellen-Bibliotheken in wenigen Stunden auf neue Prozesse. Diese Aufgabe erforderte zuvor acht Ingenieure, die zehn Monate lang arbeiteten.

Dieser Wandel beschleunigt die Entwicklung von Hardware der nächsten Generation. Durch den Einsatz von Reinforcement Learning (RL) für das Low-Level-Schaltungsdesign und die Logikoptimierung verkürzt NVIDIA den Entwicklungszeitplan für kommende Architekturen, einschließlich der Rubin-Plattform. NVIDIA berichtet, dass diese KI-generierten Designs die von Menschen entworfenen Ziele für Leistung, Fläche und Verzögerung (PPA) erreichen oder übertreffen.

Die strategische Rolle der NVIDIA GPU Design Automation

NVIDIA setzt eine Suite spezialisierter KI-Tools ein, um verschiedene Phasen des Silizium-Lebenszyklus zu optimieren. Laut technischer Dokumentation des Unternehmens gehören zu diesen Tools:

• NVCell: Automatisiert die Migration von 2.500 bis 3.000 Standardzellen auf neue Halbleiterknoten über Nacht mit einer einzigen GPU.
• prefixRL: Ein Reinforcement-Learning-Tool, das die Logikplatzierung optimiert und Layouts, die auf menschlicher Intuition basieren, um 20 % bis 30 % übertrifft.
• BugNeMo und ChipNeMo: Interne Large Language Models (LLMs), die Ingenieure beim Schreiben von Register Transfer Level (RTL)-Code und bei der Identifizierung komplexer Hardware-Fehler unterstützen.

Die Automatisierung dieser Prozesse ermöglicht es NVIDIA, den Fokus der Ingenieure auf den Design-Verifizierungszyklus zu verlagern. Die Verifizierung bleibt einer der zeitaufwendigsten Aspekte der Chipherstellung. Eine schnellere Iteration bietet einen Wettbewerbsvorteil im Markt für KI-Beschleuniger.

Diese Entwicklung signalisiert einen Trend hin zu "KI-entworfenen KIs", bei denen Machine-Learning-Software die Hardware optimiert, die sie benötigt. Diese NVIDIA GPU design automation-Strategie senkt die Betriebskosten und unterstützt einen aggressiven Release-Rhythmus für High-Performance-Computing-Hardware.

Obwohl wir um Genauigkeit bemüht sind, kann bytevyte Fehler machen. Benutzern wird empfohlen, alle Informationen unabhängig zu überprüfen. Wir übernehmen keine Haftung für Fehler oder Auslassungen.

✔Human Verified