G­o­o­g­l­e­,­ ­ç­i­p­l­e­r­i­n­i­ ­t­a­s­a­r­l­a­m­a­k­ ­i­ç­i­n­ ­d­e­r­i­n­ ­ö­ğ­r­e­n­m­e­y­i­ ­k­u­l­l­a­n­a­c­a­k­

Amazon, oyun geliştiricileri için AWS for Games’i piyasaya sürdü

Geçen yıl IBM, 2nm üzerine kazınmış bir çipi başarılı bir şekilde geliştirerek ek bir adım daha attı. Talaşların boyutunu küçültüp daha verimli hale getirme arzusuyla şirketler, yeni, her zamankinden daha sofistike üretim teknikleri geliştirmeye zorlanıyor.

Uzmanlık alanı ile Google AI, elektronik bileşenlerin AI aracılığıyla tasarımını çoktan düşünmüştür. Geçen yıl Mountain View, makine öğrenimini kullanarak yalnızca altı saat içinde çip geliştirebileceğini iddia etmişti. Bu süreç, olgunluk kazanması ve bir süreci nanometreye kadar doğru bir şekilde yeniden üretebilmesi için bir modeli eğitmeyi amaçlar.

Birkaç ay sonra, Google’ın yan kuruluşu araştırmacıları Amir Yazdanbakhsh ve Aviral Kumar, çip üretim süreçlerinde AI kullanımı üzerinde çalışmaya devam etti. Derin öğrenmeye dayalı PRIME modelini tasarladılar.

Google AI tarafından geliştirilen PRIME modelinin merkezinde derin öğrenme

Elektronik bileşenleri tasarlarken desen kullanmak gerekir. Çip oluşturma işlemi sırasında hataların önlenmesine yardımcı olurlar. PRIME modeli, kendisine sunulan veriler sayesinde, bu kalıpları kullanmak zorunda kalmadan elektronik yonga mimarileri oluşturmayı mümkün kılar. Bir önceki üretim oturumunda kullanılan verileri anında yeniden kullanmak için kullanılan bir zaman tasarrufu.

PRIME yaklaşımı sayesinde, geleneksel olarak üretilen yongalara göre %50’ye kadar daha düşük gecikme süresine sahip yongalar tasarlamak mümkündür. Resim: Google AI.

Araştırmacılar tarafından sağlanan verilere dayanarak, PRIME, aynı hataları yapmamak için hem en iyi performans özelliklerine sahip doğru üretilmiş çipleri hem de kusurları dikkate alır. Yüksek performanslı bir çipin tasarımına yol açan veriler, model tarafından biraz daha verimli veya en azından aynı derecede verimli bir çip sunmak için yeniden harekete geçirilir.