Lo que a los humanos les lleva meses, la inteligencia artificial de Google lo hace en seis horas. Es la afirmación que hace Google al respecto de su IA capaz de diseñar chips de aprendizaje automático "comparables o superiores" a los que hacen los humanos. Tras años de experimentos, veremos el primer producto comercial en este aspecto dentro de poco: los próximos chips TPU de Google han sido diseñados por una IA.
Que Google utiliza su IA para diseñar chips optimizados para la IA no es ningún secreto. Sin embargo, ahora parece ser que se han dejado de experimentos y lo han aplicado a productos reales. También han aprovechado para publicar un estudio en Nature donde explican el desarrollo.
La gran ventaja que parece aportar la IA a la hora de diseñar chips es la velocidad. Según Google, el gran ahorro de tiempo que implica utilizar el algoritmo para diseñar en vez de los humanos puede tener importantes implicaciones en la industria. En principio debería permitir acelerar las iteraciones de diseños para los próximos chips, así como diseñar rápidamente chips para usos concretos para los que estén optimizados.
Optimizando el espacio de un chip
Donde más parece que tiene impacto la IA es en la planificación de la ubicación de los elementos en el chip. Este proceso es esencialmente el de escoger en qué ubicación sobre la superficie del chip va cada elemento (CPU, GPU, memoria...). Es algo esencial, ya que afecta de forma directa la velocidad y eficiencia del chip dependiendo de a qué distancia se encuentre cada elemento de otros.
Mientras que para los humanos esto es un problema de meses de esfuerzo, una inteligencia artificial se lo toma como un juego. Interpreta cada elemento del chip como una pieza de un juego y busca colocarla en el sitio donde más eficiencia ofrece, siempre teniendo en cuenta todas las otras piezas y multiples factores más. Al cabo de unas horas, ofrece la posición donde más eficiencia computacional se ofrece del conjunto de elementos en el límite dado.
Para entrenar a la IA, Google dice que le dio los datos de 10.000 diseños de chips de mayor y menor calidad. Cada chip fue etiquetado según su calidad y teniendo en cuenta valores como al longitud del cableado requerido o el uso de energía. De este modo la IA aprendió qué diseños son buenos y cuáles no, para luego generar los suyos propios.
Vía | CNBC
Más información | Nature
via Robótica e IA - Xataka https://ift.tt/3xgeTCa
No hay comentarios:
Publicar un comentario