硅谷：設(shè)計師利用生成式AI輔助芯片設(shè)計

　　芯片工程師展示了一個高度專業(yè)化的行業(yè)如何使用 NVIDIA NeMo 來定制大語言模型，以獲得競爭優(yōu)勢。

　　10 月 31 日，NVIDIA 發(fā)布的一篇研究論文描述了生成式 AI 如何助力芯片設(shè)計，后者是當(dāng)今最復(fù)雜的工程工作之一。

　　這項(xiàng)工作展示了高度專業(yè)化領(lǐng)域的公司如何利用內(nèi)部數(shù)據(jù)訓(xùn)練大語言模型，從而開發(fā)提高生產(chǎn)力的 AI 助手。

　　像半導(dǎo)體設(shè)計這樣如此具有挑戰(zhàn)性的工作并不多見。在顯微鏡下，NVIDIA H100 Tensor Core GPU(上圖)這樣最先進(jìn)的芯片看起來就像一個精心規(guī)劃的大都市，由數(shù)百億個晶體管組成，把它們連接起來的線比人的頭發(fā)絲還細(xì) 1 萬倍。

　　多個工程團(tuán)隊(duì)進(jìn)行協(xié)作，需要長達(dá)兩年的時間才能構(gòu)建出這樣一個數(shù)字化超級大都市。

　　一些小組定義芯片的整體架構(gòu)，一些小組負(fù)責(zé)各種超小型電路的設(shè)計與布局，還有一些小組負(fù)責(zé)測試工作。每項(xiàng)工作都需要采取專門的方法、軟件程序和計算機(jī)語言。

　　大語言模型廣闊的前景

　　該論文的主要作者、NVIDIA 研究總監(jiān) Mark Ren 表示：“我相信，隨著時間的推移，大語言模型將全面助力所有流程。”

　　在同日舉行的國際計算機(jī)輔助設(shè)計會議上，NVIDIA 首席科學(xué)家 Bill Dally 發(fā)表主題演講并公布了這篇論文。這個年度盛會每年都會吸引數(shù)百名電子設(shè)計自動化(EDA)領(lǐng)域的工程師參加。

　　此次會議在舊金山舉行。Dally 在會上表示：“這標(biāo)志著在將大語言模型用于復(fù)雜的半導(dǎo)體設(shè)計方面邁出了重要一步。這項(xiàng)工作表明，即使高度專業(yè)化的領(lǐng)域也可以利用內(nèi)部數(shù)據(jù)來訓(xùn)練極具價值的生成式 AI 模型。”

　　ChipNeMo 浮出水面

　　這篇論文詳細(xì)介紹了 NVIDIA 工程師如何創(chuàng)建名為 ChipNeMo 的定制大語言模型，供內(nèi)部使用。該模型使用公司內(nèi)部數(shù)據(jù)進(jìn)行訓(xùn)練并生成和優(yōu)化軟件，以更好地協(xié)助人類設(shè)計師。

　　Ren 在 EDA 領(lǐng)域從業(yè)超過 20 多年，他表示，從長遠(yuǎn)來看，工程師們希望生成式 AI 能夠用于芯片設(shè)計的各個階段，從而大幅提升整體生產(chǎn)力。

　　在針對可能的使用場景對 NVIDIA 工程師進(jìn)行調(diào)研之后，研究團(tuán)隊(duì)一開始選擇了三個場景：聊天機(jī)器人、代碼生成器和分析工具。

　　初始用例

　　維護(hù)已知 bug 的更新描述需要耗費(fèi)大量時間，而上述分析工具中的后者能夠?qū)崿F(xiàn)此類任務(wù)的自動化，并已得到廣泛的采用。

　　一個聊天機(jī)器人原型可以回答有關(guān) GPU 架構(gòu)和設(shè)計的問題，并且已經(jīng)幫助許多工程師在早期測試中快速找到技術(shù)文檔。

　　代碼生成器將幫助設(shè)計者編寫芯片設(shè)計軟件。

　　一個正在開發(fā)中的代碼生成器(如上圖所演示)已經(jīng)用兩種芯片設(shè)計師專用語言創(chuàng)建了大約 10-20 行軟件的片段。它將與現(xiàn)有工具集成，為工程師們提供一個方便的助手來進(jìn)行設(shè)計。

　　使用 NVIDIA NeMo 定制 AI 模型

　　這篇論文主要關(guān)注該團(tuán)隊(duì)收集設(shè)計數(shù)據(jù)并使用這些數(shù)據(jù)創(chuàng)建專門的生成式 AI 模型，這個過程可以移植到任何行業(yè)。

　　作為起點(diǎn)，該團(tuán)隊(duì)選擇了一個基礎(chǔ)模型，并使用 NVIDIA NeMo 對其進(jìn)行了定制。作為 NVIDIA AI Enterprise 軟件平臺的一部分，NVIDIA NeMo 是一個用于構(gòu)建、定制和部署生成式 AI 模型的框架。定的 NeMo 模型具有 430 億個參數(shù)，這衡量了它對模式的理解力。它使用超過一萬億個文本和軟件中的 token、單詞和符號進(jìn)行了訓(xùn)練。

　　ChipNeMo 提供了一個技術(shù)團(tuán)隊(duì)如何用自己的數(shù)據(jù)改進(jìn)預(yù)訓(xùn)練模型的示例。

　　然后，該團(tuán)隊(duì)在兩輪訓(xùn)練中完善了該模型。第一輪使用了相當(dāng)于大約 240 億個 token 的內(nèi)部設(shè)計數(shù)據(jù)，第二輪使用了約 13 萬個對話和設(shè)計示例。

　　這項(xiàng)工作是半導(dǎo)體行業(yè)進(jìn)行生成式 AI 概念研究和印證的幾個例子之一， 這一趨勢剛剛開始在實(shí)驗(yàn)室興起。

　　分享經(jīng)驗(yàn)

　　Ren 的團(tuán)隊(duì)學(xué)到的一個最重要的經(jīng)驗(yàn)就是定制大語言模型的重要性。

　　在芯片設(shè)計任務(wù)中，只有 130 億個參數(shù)的定制 ChipNeMo 模型的性能達(dá)到或超過了更大的通用大語言模型(例如包含 700 億個參數(shù)的 LLaMA2)。在某些使用場景中，ChipNeMo 模型甚至好很多。

　　他補(bǔ)充道，在這一過程中，用戶需要謹(jǐn)慎地確定他們收集什么數(shù)據(jù)以及如何清理數(shù)據(jù)以用于訓(xùn)練。

　　最后，Ren 建議用戶及時了解可以加快和簡化工作的最新工具。

　　NVIDIA Research 在全球各地?fù)碛袛?shù)百名科學(xué)家和工程師，專注于 AI、計算機(jī)圖形學(xué)、計算機(jī)視覺、自動駕駛汽車、機(jī)器人學(xué)等領(lǐng)域。近期的其它半導(dǎo)體項(xiàng)目包括使用 AI 設(shè)計更小、更快的電路，以及優(yōu)化大型模塊的布局。

　　希望構(gòu)建自己的定制大語言模型的企業(yè)現(xiàn)在可以從使用 GitHub 和 NVIDIA NGC 目錄中的 NeMo 框架開始。