Google utilise l’IA pour concevoir des processeurs qui exécutent l’IA plus efficacement

Google utilise l'IA pour concevoir des processeurs qui exécutent l'IA plus efficacement

Les ingénieurs de Google ont chargé une intelligence artificielle de concevoir des processeurs plus rapides et plus efficaces, puis ont utilisé ses conceptions de puces pour développer la prochaine génération d’ordinateurs spécialisés qui exécutent le même type d’algorithmes d’IA.

Google opère à une si grande échelle qu’il conçoit ses propres puces informatiques plutôt que d’acheter des produits commerciaux. Cela lui permet d’optimiser les puces pour exécuter son propre logiciel, mais le processus est long et coûteux. Une puce personnalisée prend généralement deux à trois ans pour se développer.

Une étape de la conception de la puce est un processus appelé planification au sol, qui consiste à prendre le schéma de circuit finalisé d’une nouvelle puce et à organiser les millions de composants dans une disposition efficace pour la fabrication. Bien que la conception fonctionnelle de la puce soit terminée à ce stade, la disposition peut avoir un effet énorme sur la vitesse et la consommation d’énergie. Pour les puces des smartphones, la priorité peut être de réduire la consommation d’énergie afin d’augmenter la durée de vie de la batterie, mais pour un centre de données, il peut être plus important de maximiser la vitesse.

La planification des sols était auparavant une tâche très manuelle et chronophage, déclare Anna Goldie de Google. Les équipes diviseraient les puces plus grosses en blocs et travailleraient sur des pièces en parallèle, en cherchant de petits raffinements, dit-elle.

Mais Goldie et ses collègues ont maintenant créé un logiciel qui transforme le problème de planification en une tâche pour un réseau de neurones. Il traite une puce vierge et ses millions de composants comme un puzzle complexe avec une grande quantité de solutions possibles. L’objectif est d’optimiser les paramètres que les ingénieurs jugent les plus importants, tout en plaçant tous les composants et les connexions entre eux avec précision.

Le logiciel a commencé par développer des solutions au hasard dont les performances et l’efficacité ont été testées par un algorithme distinct, puis renvoyées au premier. De cette façon, il a progressivement appris quelles stratégies étaient efficaces et s’appuyaient sur les succès passés. “Cela a commencé de manière aléatoire et obtient de très mauvais placements, mais après des milliers d’itérations, cela devient extrêmement bon et rapide”, explique Goldie.

Le logiciel de l’équipe a produit des dispositions pour une puce en moins de 6 heures qui étaient comparables ou supérieures à celles produites par l’homme sur plusieurs mois en termes de consommation d’énergie, de performances et de densité de puce. Un outil logiciel existant appelé RePlAce qui termine les conceptions à une vitesse similaire n’a pas réussi à la fois les humains et l’IA à tous égards dans les tests.

La conception de la puce utilisée dans les expériences était la dernière version de l’unité de traitement du tenseur (TPU) de Google, conçue pour exécuter exactement le même type d’algorithmes de réseau neuronal à utiliser dans le moteur de recherche et l’outil de traduction automatique de l’entreprise. Il est concevable que cette nouvelle puce conçue par l’IA soit utilisée à l’avenir pour concevoir son successeur, et que ce successeur soit à son tour utilisé pour concevoir son propre remplaçant.

L’équipe pense que la même approche de réseau neuronal peut être appliquée aux diverses autres étapes chronophages de la conception de puces, réduisant ainsi le temps de conception global de plusieurs années à quelques jours. L’entreprise vise à itérer rapidement, car même de petites améliorations de la vitesse ou de la consommation d’énergie peuvent faire une énorme différence à la vaste échelle à laquelle elle opère.

« Il y a un coût d’opportunité élevé à ne pas sortir la prochaine génération. Disons que le nouveau est beaucoup plus économe en énergie. Le niveau d’impact que peut avoir sur l’empreinte carbone du machine learning, étant donné qu’il est déployé dans toutes sortes de centres de données différents, est vraiment précieux. Même un jour plus tôt, cela fait une grande différence », explique Goldie.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Translate »