NVIDIA는 반도체 개발을 재구성하기 위해 생성 인공 지능 및 기계 학습 모델의 사용을 구현했습니다. 회사 경영진은 최근 기술 시장을 대상으로 한 기술 토론에서 독점 도구에 대한 세부 정보를 발표했습니다. 새로운 시스템은 이전에 구조 계획에 수년이 걸렸던 엔지니어링 일정을 단축할 수 있습니다. 이제 동일한 작업에 몇 시간의 지속적인 처리만 필요합니다.
이러한 자동화를 통해 단일 그래픽 처리 장치가 새로운 생산 프로세스에 맞게 셀 라이브러리를 조정하는 등 매우 복잡한 작업을 수행할 수 있습니다. 전체 엔지니어 팀의 일상적인 노력이 필요한 작업량이 야간 컴퓨팅 주기로 전달되기 시작했습니다. 이러한 변화는 하드웨어 산업 운영 모델의 근본적인 변화를 의미하며, 글로벌 시장에서 새로운 구성 요소의 비용 역학 및 출시 기한을 변경합니다.
NB-Cell 시스템은 기록적인 시간 내에 엔지니어링 프로세스를 자동화합니다.
NB-Cell 소프트웨어는 부품 제조업체의 내부 솔루션 중에서 가장 중요한 역할을 합니다. 이 시스템은 표준 셀 라이브러리의 마이그레이션 및 최적화에 대한 조치를 취하는 강화 학습 기술을 기반으로 작동합니다. 이 단계는 최신 프로세서를 만드는 데 있어 가장 관료적이고 시간이 많이 걸리는 단계 중 하나를 나타냅니다. 이 기술은 수조 개의 구조적 가능성을 밀리초 단위로 분석합니다. 인간의 인지 능력은 같은 시간에 이 정도의 변수를 처리할 수 없습니다.
이 특정 도구를 채택하기 전에는 이 작업에 약 80개월의 기업 노력이 소요되었습니다. 실제로 이 프로세스에는 회사 실험실에서 거의 1년 동안 바쁘게 일하는 동안 8명의 수석 엔지니어의 헌신적인 노력이 필요했습니다. 현재 절차는 자동화된 처리를 통해 하룻밤 만에 완료됩니다. 회사는 기계가 제공한 결과가 여러 성능 지표에서 수동으로 제작한 설계보다 우수하다고 보고합니다.
이러한 자동화의 직접적인 영향으로 새로운 산업 규모의 제조 기술 채택이 가속화됩니다. 회사는 기술 부문의 역사적 표준보다 훨씬 더 자주 신제품을 시장에 출시할 수 있습니다. 엔지니어링 시간을 줄이면 전문 전문가가 보다 복잡한 아키텍처 문제에 집중할 수 있게 되며, 회로 할당의 발품 작업은 최적화 알고리즘의 책임이 됩니다.
도구는 효율성을 높이기 위해 색다른 아키텍처를 탐색합니다.
인공지능을 적용하면 전기공학의 전통적인 논리에서 벗어나는 하드웨어 솔루션도 찾아낸다. Prefix RL 도구는 고속 연산 처리 성능을 위한 필수 구성 요소인 예측 캐리 체인 설계에 중점을 두고 작업합니다. 신경망은 인간 설계자가 부과한 개념적 제약 없이 회로 구성을 탐색합니다. NVIDIA는 이 방법을 사용하여 새로운 아키텍처를 식별했습니다. 실험실 테스트에서는 20%에서 30% 사이의 에너지 효율성과 속도 향상이 기록되었습니다.
제조업체는 정밀 엔지니어링에 초점을 맞춘 전문 언어 모델을 통해 이러한 개발 인프라를 지원합니다. 시스템은 회사가 회사 역사 전반에 걸쳐 축적한 수십 년 간의 내부 문서를 통해 교육을 받습니다. 생태계는 칩 설계의 모든 단계를 포괄하기 위해 다양한 측면을 통합합니다.
- NB-Cell: 처리 셀의 레이아웃 최적화 및 물리적 영역 감소.
- 접두사 RL: 틀에 얽매이지 않는 논리를 사용하여 복잡한 회로 아키텍처를 생성합니다.
- Nemo Chip: 엔지니어가 기술 사양 및 표준을 참조하는 데 도움이 되는 언어 모델입니다.
- 버그니모(Bug Nemo): 실리콘 프로젝트의 결함을 식별, 선별, 수정하는 것을 목표로 하는 인공 지능입니다.
- Verif-AI: 자동 생성된 회로의 무결성을 보장하는 공식 검증 도구입니다.
이러한 리소스를 통합하면 과거 문서가 새로운 신경망을 제공하는 기본 데이터베이스 역할을 하는 환경이 조성됩니다. Bug Nemo는 실험실 내 디버깅 시간을 크게 단축했습니다. 칩이 물리적 프로토타입 제작 단계에 들어가기 전에 심각한 결함이 감지됩니다. 이 법안은 반도체 파운드리에서 발생하는 수백만 달러의 재정적 낭비를 방지합니다. 이 최종 단계의 설계 오류로 인해 출시가 몇 달 지연될 수 있으며 폐기되는 원자재에 많은 비용이 들 수 있습니다.
소비자 시장으로의 확장 및 직접 경쟁에 미치는 영향
이번 신기술 발표는 NVIDIA가 고성능 노트북 시장으로 사업을 확장하는 가운데 나온 것입니다. 현재 초점은 사용자 컴퓨터에서 로컬로 작동하는 인공 지능 처리에 관한 것입니다. NVIDIA N1 시스템온칩이 탑재된 마더보드의 프로토타입이 최근 실험실 테스트에서 나타났습니다. 하드웨어는 최대 128GB의 통합 RAM을 갖춘 강력한 구성을 갖추고 있습니다. 기업 디자인의 효율성은 최종 소비자를 겨냥한 제품에 빠르게 도달합니다.
공격적인 설계 자동화는 데이터 센터 인프라 및 글로벌 전자 게임 시장과 같이 경쟁이 치열한 산업에서 회사의 리더십을 뒷받침합니다. 인적 오류와 개발 시간을 줄이면 전례 없는 속도로 새로운 GPU 아키텍처를 반복할 수 있습니다. 혁신 주기는 상당히 짧아졌고 회사 투자자의 예측 가능성도 높아졌습니다.
시장 추세는 다른 반도체 대기업들도 단기적으로 비슷한 경로를 따를 것임을 나타냅니다. Intel 및 AMD와 같은 회사는 기술 경쟁력을 유지하기 위해 심층적인 자동화를 수용해야 합니다. 이러한 움직임은 실리콘의 물리적 복잡성으로 인해 연구 개발에 수십억 달러의 투자가 필요한 점점 더 작아지는 제조 노드에서 개발 비용이 기하급수적으로 증가하는 것을 방지합니다.
사람의 감독은 전략적 검증 및 품질 관리에 중점을 둡니다.
NVIDIA는 자동화 도구의 성공으로 인해 하드웨어 엔지니어의 역할이 필요한 진화를 거쳤다는 점을 강조합니다. 전문가는 기본 회로를 반복적으로 설계하는 데 소요되는 시간을 줄입니다. 현재 초점은 인공지능 시스템에 대한 높은 수준의 매개변수 설정과 윤리적 감독에 있습니다. 보조 설계 모델을 사용하려면 팀이 새로운 기술을 숙달해야 합니다. Chip Nemo와 같은 훈련 모델을 위한 데이터 큐레이팅은 운영에서 매일의 우선순위가 되었습니다.
기술적 정밀성은 자동화된 산업 발전의 새로운 단계의 중심 기둥 역할을 합니다. 2나노미터 칩을 설계하는 동안 인공 지능 모델에 오류가 발생하면 전체 실리콘 배치를 공장에서 사용할 수 없게 될 수 있습니다. 제조업체는 엄격한 교차 검증 시스템을 사용하여 기계에서 생성된 각 논리 게이트를 확인합니다. 목표는 안전하고 확장 가능한 피드백 루프를 만드는 것입니다. 더욱 강력한 하드웨어를 사용하면 차세대 프로세서를 설계하는 보다 스마트한 시스템을 교육할 수 있습니다.
회사의 전망에 따르면 물리적 디자인에 대한 인간의 개입은 점점 더 전략적이 될 것이며 향후 몇 년 동안 운영 효율성이 떨어질 것입니다. 트랜지스터의 마이크로 아키텍처와 정확한 배열은 복잡한 수학적 알고리즘의 책임입니다. 이러한 변화는 장기적으로 생산 비용을 낮추고 출시 속도를 가속화합니다. 전례 없는 최적화를 통해 실리콘의 물리적 한계를 최대한 탐구합니다. 기존의 수동 엔지니어링에는 현재 시장에서 요구하는 것과 동일한 속도와 정밀도로 이러한 구조를 매핑할 수 있는 계산 능력이 없었습니다.