Terminator non arriverà per i progettisti di chip
Un importante documento di ricerca condotto da Google che afferma che il software di apprendimento automatico può progettare chip migliori più velocemente degli umani è stato messo in discussione dopo che un nuovo studio ne ha contestato i risultati.
Nel giugno 2021, Google ha fatto notizia per lo sviluppo di un sistema basato sull’apprendimento per rinforzo in grado di generare automaticamente planimetrie di microchip ottimizzate. Questi piani determinano la disposizione dei blocchi di circuiti elettronici all’interno del chip: dove cose come i core della CPU e della GPU e la memoria e i controller periferici si trovano effettivamente sul die di silicio fisico.
Il gruppo del motore di ricerca ha affermato di aver utilizzato un software di intelligenza artificiale per progettare i propri chip TPU che accelerano i carichi di lavoro di intelligenza artificiale. Fondamentalmente, ciò significava che utilizzava l’apprendimento automatico per velocizzare l’esecuzione degli altri sistemi di apprendimento automatico.
Le planimetrie sono difficili da creare poiché richiedono molto lavoro manuale e automazione utilizzando applicazioni di progettazione di chip. Google pensava che il suo approccio di apprendimento per rinforzo avrebbe prodotto progetti migliori di quelli realizzati solo da ingegneri umani che utilizzano strumenti del settore
Immaginate i sussulti quando Google ha annunciato che avrebbe potuto sfornare planimetrie di chip superiori o paragonabili a quelle prodotte dagli esseri umani in tutte le metriche chiave, in sole sei ore.
Tuttavia, le affermazioni di Google sul suo modello migliore degli umani sono state contestate da un team dell’Università della California, San Diego (UCSD).
Il top boffin Andrew Kahng ha trascorso mesi a decodificare la pipeline di pianificazione del piano descritta da Google in Nature. Il gigante del web ha nascosto alcuni dettagli del funzionamento interno del suo modello, citando la sensibilità commerciale, quindi l’UCSD ha dovuto capire come realizzare la loro versione completa per verificare i risultati dei Googler.
Alla fine hanno creato il codice di Google, indicato come circuit training (CT) nel loro studio, ma ha scoperto che ha ottenuto risultati peggiori rispetto agli esseri umani utilizzando metodi e strumenti tradizionali del settore.
il team dell’UCSD ha appreso che Google aveva utilizzato software commerciale sviluppato da Synopsys, uno dei principali produttori di suite EDA (Electronic Design Automation), per creare una disposizione iniziale delle porte logiche del chip che il sistema di apprendimento per rinforzo del gigante del web ha poi ottimizzato.
Disporre di informazioni sul posizionamento iniziale può migliorare significativamente i risultati del CT.
Il documento di Google ha menzionato che gli strumenti software standard del settore e le modifiche manuali sono stati utilizzati dopo che il modello aveva generato un layout, principalmente per garantire che il processore funzionasse come previsto e finalizzarlo per la fabbricazione. Google ha sostenuto che ciò era necessario sia che la planimetria fosse stata creata da un algoritmo di apprendimento automatico o da esseri umani con strumenti standard, e il suo modello meritava credito per il prodotto finale ottimizzato.
Ma UCSD ha sottolineato che non vi era alcuna menzione nel documento Nature degli strumenti EDA utilizzati in precedenza per preparare un layout per il modello. Gli strumenti Synopsys potrebbero dare al modello un vantaggio tale da mettere in dubbio le vere capacità del sistema di intelligenza artificiale.
Alcuni ricercatori stanno ora chiedendo a Nature di rivedere il documento originale alla luce della nuova ricerca.
Gli autori principali dell’articolo di Google, Azalia Mirhoseini e Anna Goldie, hanno affermato che il lavoro del team dell’UCSD potrebbe essere un’implementazione più accurata del loro metodo. Hanno sottolineato che il gruppo del Prof Kahng ha ottenuto risultati peggiori poiché non ha preaddestrato il proprio modello su alcun dato.
Il gruppo dell’UCSD, tuttavia, ha affermato di non aver preaddestrato il proprio modello perché avevano bisogno di accedere ai magici dati proprietari di Google. Hanno affermato, tuttavia, che altri due ingegneri avevano verificato il loro software presso Google, che erano elencati come coautori del documento Nature. Il professor Kahng presenterà lo studio del suo team alla conferenza International Symposium on Physical Design di quest’anno.