Terminator no está disponible para los diseñadores de chips
Se ha cuestionado un artículo de investigación clave dirigido por Google que afirma que el software de aprendizaje automático puede diseñar mejores chips más rápido que los humanos. después de que un nuevo estudio cuestionara sus resultados.
En junio de 2021, Google fue noticia por desarrollar un sistema basado en el aprendizaje por refuerzo capaz de generar automáticamente planos optimizados de microchips. Estos planes determinan la disposición de los bloques de circuitos electrónicos dentro del chip: dónde elementos como los núcleos de la CPU y la GPU, y la memoria y los controladores periféricos realmente se ubican en el troquel de silicio físico.
El equipo del motor de búsqueda dijo que usó software de IA para diseñar sus chips de TPU de cosecha propia que aceleran las cargas de trabajo de IA. Básicamente, esto significaba que estaba usando el aprendizaje automático para hacer que sus otros sistemas de aprendizaje automático funcionaran más rápido.
Los planos de planta son complicados de crear, ya que implican mucho trabajo manual y automatización usando aplicaciones de diseño de chips. Google pensó que su enfoque de aprendizaje por refuerzo produciría diseños mejores que los creados por ingenieros humanos usando herramientas de la industria.
Imagínese el suspiro cuando Google anunció que podría producir planos de planta de chips superiores o comparables a los producidos por humanos. en todas las métricas clave, en solo seis horas.
Sin embargo, un equipo de la Universidad de California en San Diego (UCSD) ha desafiado las afirmaciones de Google sobre su modelo mejor que los humanos.
El gran cerebrito Andrew Kahng pasó meses realizando ingeniería inversa en la canalización de planificación de pisos que Google describió en Nature. El gigante web ocultó algunos detalles del funcionamiento interno de su modelo, citando sensibilidad comercial, por lo que la UCSD tuvo que descubrir cómo hacer su versión completa para verificar los hallazgos de Googlers.
Eventualmente crearon el código de Google, conocido como entrenamiento de circuito (CT) en su estudio, pero descubrió que funcionaba peor que los humanos usando métodos y herramientas tradicionales de la industria.
El equipo de UCSD descubrió que Google había usado software comercial desarrollado por Synopsys, un importante fabricante de suites de automatización de diseño electrónico (EDA), para crear una disposición inicial de las puertas lógicas del chip que luego optimizó el sistema de aprendizaje por refuerzo del gigante web.
Tener información de ubicación inicial puede mejorar significativamente los resultados de CT
El documento de Google mencionó que las herramientas de software estándar de la industria y los ajustes manuales se usaron después de que el modelo generó un diseño, principalmente para garantizar que el procesador funcionara según lo previsto y finalizarlo para la fabricación. Google argumentó que esto era necesario ya sea que el plano de planta fuera creado por un algoritmo de aprendizaje automático o por humanos con herramientas estándar, y su modelo merecía crédito por el producto final optimizado.
Pero UCSD señaló que no se mencionó en el artículo de Nature sobre las herramientas EDA que se utilizan de antemano para preparar un diseño para el modelo. Las herramientas Synopsys pueden tener el modelo con tanta ventaja que las verdaderas capacidades del sistema de IA eran cuestionables.
Algunos investigadores ahora le piden a Nature que revise el artículo original a la luz de la nueva investigación.
Los autores principales del artículo de Google, Azalia Mirhoseini y Anna Goldie, dijeron que el trabajo del equipo de UCSD podría ser una implementación más precisa de su método. Señalaron que el grupo del profesor Kahng obtuvo peores resultados porque no entrenaron previamente su modelo en ningún dato.
El grupo de UCSD, sin embargo, dijo que no entrenaron previamente su modelo porque necesitaban acceso a los datos mágicos patentados de Google. Sin embargo, afirmaron que otros dos ingenieros habían verificado su software en Google, quienes figuraban como coautores del artículo de Nature. El profesor Kahng presenta el estudio de su equipo en la conferencia Simposio Internacional sobre Diseño Físico de este año.