เทอร์มิเนเตอร์ไม่ได้มาสำหรับนักออกแบบชิป
งานวิจัยชิ้นสำคัญที่นำโดย Google ซึ่งอ้างว่าซอฟต์แวร์แมชชีนเลิร์นนิงสามารถออกแบบชิปที่ดีกว่าได้เร็วกว่ามนุษย์ หลังจากการศึกษาใหม่โต้แย้งผลการวิจัย
ในเดือนมิถุนายน 2021 Google ได้พาดหัวข่าวเกี่ยวกับการพัฒนาระบบที่อาศัยการเรียนรู้แบบเสริมแรงซึ่งสามารถสร้างแผนผังชั้นของไมโครชิปที่ปรับให้เหมาะสมโดยอัตโนมัติ แผนเหล่านี้จะกำหนดการจัดเรียงบล็อกของวงจรอิเล็กทรอนิกส์ภายในชิป ซึ่งสิ่งต่างๆ เช่น แกน CPU และ GPU ตลอดจนหน่วยความจำและตัวควบคุมอุปกรณ์ต่อพ่วงจะอยู่บนดายซิลิกอนจริง
ชุดเครื่องมือค้นหากล่าวว่าใช้ซอฟต์แวร์ AI ในการออกแบบชิป TPU ที่ผลิตเองซึ่งเร่งปริมาณงาน AI โดยพื้นฐานแล้ว นี่หมายถึงการใช้แมชชีนเลิร์นนิงเพื่อทำให้ระบบแมชชีนเลิร์นนิงอื่นๆ ทำงานเร็วขึ้น
แผนผังชั้นสร้างได้ยากเนื่องจากเกี่ยวข้องกับการทำงานแบบแมนนวลและระบบอัตโนมัติจำนวนมากโดยใช้แอปพลิเคชันการออกแบบชิป Google คิดว่าแนวทางการเรียนรู้แบบเสริมกำลังจะสร้างงานออกแบบที่ดีกว่าการออกแบบโดยวิศวกรที่เป็นมนุษย์โดยใช้เครื่องมืออุตสาหกรรม
ลองจินตนาการถึงอาการอ้าปากค้างเมื่อ Google ประกาศว่าสามารถลดแผนผังชั้นของชิปที่เหนือกว่าหรือเทียบเคียงได้กับที่ผลิตโดยมนุษย์ ในมาตรวัดที่สำคัญทั้งหมดภายในเวลาเพียงหกชั่วโมง
อย่างไรก็ตาม คำกล่าวอ้างของ Google ที่ว่าแบบจำลองดีกว่ามนุษย์นั้นถูกท้าทายโดยทีมงานของมหาวิทยาลัยแคลิฟอร์เนีย ซานดิเอโก (UCSD)
แอนดรูว์ คาห์งใช้เวลาหลายเดือนในการทำวิศวกรรมย้อนรอยไปป์ไลน์การวางผังพื้นซึ่ง Google อธิบายไว้ใน Nature ยักษ์ใหญ่ด้านเว็บปิดบังรายละเอียดบางอย่างเกี่ยวกับการทำงานภายในของโมเดลโดยอ้างถึงความละเอียดอ่อนในเชิงพาณิชย์ ดังนั้น UCSD จึงต้องหาวิธีสร้างเวอร์ชันที่สมบูรณ์เพื่อตรวจสอบสิ่งที่ชาว Googler ค้นพบ
ในที่สุดพวกเขาก็สร้างโค้ดของ Google เรียกว่าการฝึกวงจร (CT) ในการศึกษาของพวกเขา แต่พบว่ามีประสิทธิภาพแย่กว่ามนุษย์โดยใช้วิธีการและเครื่องมืออุตสาหกรรมแบบดั้งเดิม
ทีม UCSD ได้เรียนรู้ว่า Google ได้ใช้ซอฟต์แวร์เชิงพาณิชย์ที่พัฒนาโดย Synopsys ซึ่งเป็นผู้ผลิตรายใหญ่ของ ชุดโปรแกรมการออกแบบอัตโนมัติแบบอิเล็กทรอนิกส์ (EDA) เพื่อสร้างการจัดเรียงเริ่มต้นของลอจิกเกตของชิปที่ระบบการเรียนรู้การเสริมกำลังของเว็บยักษ์ใหญ่นั้นได้รับการปรับให้เหมาะสมที่สุด
การมีข้อมูลตำแหน่งเริ่มต้นสามารถปรับปรุงผลลัพธ์ CT ได้อย่างมาก
รายงานของ Google ได้กล่าวถึงเครื่องมือซอฟต์แวร์มาตรฐานอุตสาหกรรมและการปรับแต่งด้วยตนเองซึ่งถูกนำมาใช้หลังจากที่โมเดลสร้างเลย์เอาต์แล้ว โดยหลักแล้วเพื่อให้แน่ใจว่าโปรเซสเซอร์จะทำงานตามที่ต้องการและดำเนินการขั้นสุดท้ายสำหรับการผลิต Google ให้เหตุผลว่าสิ่งนี้จำเป็น ไม่ว่าแผนผังชั้นจะถูกสร้างขึ้นโดยอัลกอริทึมการเรียนรู้ของเครื่องหรือโดยมนุษย์ด้วยเครื่องมือมาตรฐาน และแบบจำลองของมันสมควรได้รับเครดิตสำหรับผลิตภัณฑ์ขั้นสุดท้ายที่ได้รับการปรับให้เหมาะสมที่สุด
แต่ UCSD ชี้ให้เห็นว่าไม่มีการกล่าวถึง ในเอกสาร Nature ของเครื่องมือ EDA ที่ใช้ล่วงหน้าเพื่อเตรียมเค้าโครงสำหรับแบบจำลอง เครื่องมือ Synopsys อาจมีโมเดลดังกล่าวเป็นจุดเริ่มต้นที่ความสามารถที่แท้จริงของระบบ AI นั้นน่าสงสัย
นักวิจัยบางคนกำลังขอให้ Nature ตรวจสอบเอกสารต้นฉบับในแง่ของการวิจัยใหม่
ผู้เขียนนำบทความของ Google, Azalia Mirhoseini และ Anna Goldie กล่าวว่างานของทีม UCSD สามารถนำวิธีการไปใช้ได้แม่นยำมากขึ้น พวกเขาชี้ให้เห็นว่ากลุ่มของ Prof.Kahng ได้ผลลัพธ์ที่แย่กว่าเนื่องจากพวกเขาไม่ได้ฝึกโมเดลล่วงหน้ากับข้อมูลใดๆ เลย
กลุ่ม UCSD กล่าวว่าพวกเขาไม่ได้ฝึกโมเดลล่วงหน้าเพราะ พวกเขาต้องการเข้าถึงข้อมูลที่เป็นกรรมสิทธิ์ของ Google อย่างไรก็ตาม พวกเขาอ้างว่าวิศวกรอีกสองคนได้ตรวจสอบซอฟต์แวร์ของตนที่ Google ซึ่งมีชื่อเป็นผู้เขียนร่วมของเอกสาร Nature Prof.Kahng กำลังนำเสนอการศึกษาของทีมของเขาในการประชุม International Symposium on Physical Design ประจำปีนี้