Çip Tasarımında Yeni Dönem: Yapay Zeka ve GPU Hızlandırma

Söz konusu ekran kartı olduğunda aklımıza gelen birinci isim olan NVIDIA, gelişmiş silikonlar tasarlarken tıpkı vakitte birçok alanda mesai harcıyor. Teknoloji devi, ürettiği silikonları kullanarak çip tasarım sürecini geliştirmenin yollarını arıyor.

Yeşil grup, entegre devre dizayndaki karmaşıklığın önümüzdeki yıllarda katlanarak artmasını bekliyor. Bu nedenle GPU hesaplama ünitelerinin gücünü kullanmak, yakında ilgi alımlı bir laboratuvar deneyinden tüm yonga üreticileri için bir gerekliliğe dönüşecek.



NVIDIA’nın baş bilim insanı ve kıdemli araştırma lider yardımcısı Bill Dally, bu yılki GPU Teknoloji Konferansında (GTC) çağdaş GPU’ların ve öteki SoC’lerin ardındaki tasarım sürecinin çeşitli basamaklarını hızlandırmak için GPU’ların kullanılması hakkında çok şey anlattı. NVIDIA, kimi misyonların insanların elle yapması yerine makine tahsili kullanılarak daha güzel ve daha süratli gerçekleşeceğine inanıyor.

Dally, GPU’ları giderek daha süratli hale getirmek için güç harcayan ve 300 araştırmacıdan oluşan bir gruba liderlik ediyor. Bu grup, teknolojik zorlukların üstesinden gelmek, klasik prosedürlerin dışında çeşitli vazifeleri otomatik hale getirmek ve hızlandırmak için GPU yeteneklerini kullanmak istiyor. Bahsi geçen araştırma takımı 2019’da 175 kişiydi, artık ise büyümeye devam ediyor.



Bill Dally, çip dizaynını hızlandırma kelam konusu olduğunda NVIDIA’nın makine tahsili tekniklerinden yararlanmak için dört alan belirlediğini söylüyor. Örneğin bir GPU’da gücün kullanıldığı yerleri haritalama, klasik bir CAD aracında üç saat süren yinelemeli bir süreç. Lakin bu misyon, özel olarak eğitilmiş bir yapay zeka (AI) modeli kullanıldığında sadece dakikalar alıyor. Model öğretildikten sonra bu zamanlama saniyelere kadar inebiliyor. Elbette yapay zekada yanılgı hisseleri değerli. Fakat Dally, NVIDIA’nın araçlarının şimdiden yüzde 94 doğruluk elde ettiğini ve bunun hala saygın bir sayı olduğunu söylüyor.



Devre tasarımı, kısmi dizaynlar üzerinde simülasyonlar çalıştırdıktan sonra mühendislerin sistemi birkaç sefer değiştirmesini gerektiren, yoğun emek harcanan bir süreç. Bu nedenle yanlışsız parazitler hakkında yanlışsız kestirimler yapmak üzere AI modellerini eğitmek, istenen tasarım özelliklerini karşılamak için gereken küçük ayarlamaların yapılmasıyla ilgili birçok manuel çalışmanın ortadan kaldırılmasına yardımcı olabilir. NVIDIA, grafik hudut ağlarını kullanan parazitleri kestirim etmek için GPU’lardan yararlanabilir.



Dally, çağdaş çipleri tasarlamanın en büyük zorluklarından birinin yönlendirme tıkanıklığı olduğunu söylüyor. Bu kusur, transistörlerin ve onları birbirine bağlayan birçok küçük kablonun optimum biçimde yerleştirilmediği makul bir devre tertibinde kendini gösteriyor. Bunu bir trafik sıkışıklığına benzetebiliriz, fakat arabalar yerine bitleri düşünelim. Mühendisler, bir grafik hudut ağı kullanarak problemli alanları süratli bir formda tanımlarken yerleşimlerini ve yönlendirmelerini buna nazaran ayarlayabiliyor.

Bu senaryolarda NVIDIA, beşerler tarafından yapılan çip dizaynları yerine yapay zekayı kullanmaya çalışıyor. Şirket mühendisleri, ağır emek harcanan ve hesaplama açısından değerli bir sürece başlamak yerine, bir vekil model oluşturabilir ve yapay zeka kullanarak süratli bir halde kıymetlendirme yapabilir. Teknoloji devi ayrıyeten GPU’larda ve öbür gelişmiş silikonlarda kullanılan transistör mantığının en temel özelliklerini tasarlamak için yapay zekadan faydalanmak istiyor.

GPU üreticisi, binlerce standart hücrenin karmaşık tasarım kurallarına nazaran değiştirilmesinin gerektiği daha gelişmiş bir üretim teknolojisine geçmek için gerekli adımları atmaya çoktan başladı. NVCell isimli bir proje, pekiştirmeli öğrenme ismi verilen bir yaklaşımla bu süreci mümkün olduğunca otomatikleştirmeye çalışıyor.



Eğitimli yapay zeka modeli, tamamlanana kadar tasarım yanlışlarını düzeltmek için vazife yapıyor. NVIDIA bugüne kadar yüzde 92’lik bir muvaffakiyet oranı elde ettiğini tez ediyor. Kimi durumlarda yapay zeka ile tasarlanmış hücreler, beşerler tarafından yapılanlardan daha küçük boyutlarda olabiliyor. Yapılan tüm atılımlar ise dizaynın genel performansını güzelleştirebilir, birebir vakitte çip boyutunu ve güç ihtiyaçlarını azaltmaya yardımcı olabilir.

Yarı iletken süreç teknolojileri, silikonla ulaşabileceğimiz teorik sonlara süratle yaklaşıyor. Öte yandan üretim tekniği değiştikçe maliyetler de artmakta. Bu nedenle tasarım evresindeki rastgele bir küçük uygunlaştırma, bilhassa wafer boyutunu küçültüyorsa daha yeterli randıman sağlayabilir.



Yeşil grup bildiğiniz üzere yonga üretimini Samsung ve TSMC üzere şirketlere yaptırıyor. NVIDIA’nın önde gelen isimlerinden Dally ise NVCell sayesinde işlerin daha süratli ilerlediğini söylüyor. On mühendisten oluşan bir grup, GPU hızlandırma yeteneklerini kullanarak işlerini daha süratli formda yürütebiliyor. Böylece şirket içindeki değerli beyinler başka alanlara daha kolay odaklanabiliyor.

NVIDIA, kelam konusu çip tasarımı olduğunda yapay zekaya yönelen tek şirket değil. Bir öbür teknoloji devi Google, yapay zeka vazifeleri için hızlandırıcılar geliştirmek için makine tahsilini kullanıyor. Google, yapay zekanın performansı ve güç verimliliğini optimize etmek için beklenmedik yollar keşfetti. Samsung’un yarı iletkenden sorumlu kısmı ise büyük ve küçük öteki şirketlerin yavaş yavaş benimsediği “DSO.ai” isimli bir Synopsys aracı kullanıyor.

Yarı iletken üretiminde yaşanan eksikler nedeniyle otomotiv sanayisi son iki yılda büyük ziyanlar gördü. Bu bağlamda dökümhaneler, kıtlığı gidermek için olgun üretim tekniklerinde (12 nm ve daha büyük) yapay zeka üretim çiplerinden yararlanabilir. Öte yandan yarı iletken alanı son derece rekabetçi olduğundan, birçok üretici bu alana yatırım yapmakta isteksiz.



Tüm çiplerin yüzde 50’den fazlası olgunlaşmış yarı iletken süreçleriyle tasarlanıyor. International Veri Corporation analistleri bu hissenin 2025 yılına kadar yüzde 68’e yükselmesini bekliyor. Synopsis CEO’su Aart de Geus, şirketlerin otomobiller, mesken aletleri ve performansın öncelikli olmadığı öbür birçok aygıtta yapay zeka kullanarak çipler tasarlayabileceğine inanıyor. Bu yaklaşım daha gelişmiş bir üretim teknolojisine geçiş yapmaktansa daha az maliyetli. Ek olarak, her bir wafer’a (silikon disk plaka) daha fazla çip yerleştirmek, tekrar maliyette tasarruf sağlıyor.

Bildiğiniz üzere yapay zekanın vakitle insanların yerini alacağı konusunda birçok görüş var. Bahsettiğimiz çip tasarım sürecinde ise bu türlü bir öykü kelam konusu değil. NVIDIA, Google, Samsung ve öbür şirketler, yapay zekanın insanları güçlendirebileceğini ve giderek karmaşıklaşan dizaynlar kelam konusu olduğunda ağır işleri yapabileceğini keşfetti. Beşerler hala çözmek ve hangi dataların çip dizaynlarını doğrulama konusunda yardımcı olduğuna karar vermek için meseleleri bulmak zorunda. Yapay zeka ise bu süreci çok daha süratli bir biçimde işleyebiliyor.