هدف PrefixRL ایجاد یک مدل یادگیری تقویتی عمیق است که هدف آن حفظ تأخیر همان تلاش EDA PnR در حین دستیابی به یک منطقه آرایه کوچکتر است. طبق وبلاگ فناوری، آخرین معماری پردازنده گرافیکی Hopper H100 از 13000 نمونه مدارهای حسابی طراحی شده توسط مدل PrefixRL AI استفاده می کند. انویدیا مدلی تولید کرده است که مداری 25 درصد کوچکتر از خروجی قابل مقایسه EDA تولید می کند. همه اینها در حالی که به تأخیر مشابه یا بهتری دست می یابند. در زیر می توانید یک طراحی جمع کننده 64 بیتی ساخته شده توسط PrefixRL و همان طرح ساخته شده توسط یک ابزار پیشرو در صنعت EDA را مقایسه کنید.
آموزش چنین مدلی یک کار محاسباتی فشرده است. NVIDIA گزارش می دهد که آموزش طراحی یک مدار جمع کننده 64 بیتی، 256 هسته CPU برای هر GPU و 32000 ساعت GPU را به خود اختصاص داده است. این شرکت Raptor را توسعه داده است، یک پلتفرم یادگیری تقویتی توزیع شده داخلی که از سخت افزار NVIDIA برای این نوع یادگیری تقویتی صنعتی استفاده می کند، که در زیر و نحوه عملکرد آن را مشاهده می کنید. به طور کلی، سیستم بسیار پیچیده است و به سخت افزار و ورودی زیادی نیاز دارد. با این حال، نتایج با پردازنده‌های گرافیکی کوچکتر و کارآمدتر جواب می‌دهد.
مرجع اخبار سخت افزار کامپیوترایران
هدف مهندسان هنگام طراحی مدارهای مجتمع، تولید طرحی است که کارآمد و تولید آسان‌تر باشد. اگر بتوانند اندازه مدار را کاهش دهند، اقتصاد ساخت این مدار نیز کاهش می یابد. NVIDIA در وبلاگ فناوری خود تکنیکی را منتشر کرد که در آن این شرکت از یک مدل هوش مصنوعی به نام PrefixRL استفاده می کند. با استفاده از یادگیری تقویت عمیق، NVIDIA از مدل PrefixRL برای پیشی گرفتن از ابزارهای سنتی طراحی الکترونیکی اتوماسیون (EDA) از فروشندگان پیشرو مانند Cadence، Synopsys، یا Siemens/Mentor استفاده می کند. فروشندگان EDA معمولاً راه حل هوش مصنوعی داخلی خود را برای قرار دادن و مسیریابی سیلیکون (PnR) پیاده سازی می کنند. با این حال، به نظر می رسد راه حل NVIDIA PrefixRL در گردش کار سازمانی معجزه می کند.
