• <rt id="gy684"><table id="gy684"></table></rt>
    • <tfoot id="gy684"></tfoot>
      <code id="gy684"><xmp id="gy684"></xmp></code>
      
      
      <abbr id="gy684"><source id="gy684"></source></abbr>

      米樂新聞

      米樂m6

      當前位置: 首頁 > 米樂新聞

      米樂新聞

      首頁 > 米樂新聞

      米樂M6:機器學習如何用于芯片系統設計?Jeff Dean推薦Google最新《機器學習系統芯片設計》70頁ppt為你講解

      作者:米樂發布時間:2025-02-14

        【導讀】機器學習和系統芯片互相促進發展,近年來機器學習算法深刻改變了計算硬件資源的發展。最近谷歌發布了強化學習用于芯片布局的論文。在加州理工的《數據驅動算法設計》課程上,GOOGLE兩位研究人員Azalia Mirhoseini & Anna Goldie做了《機器學習在系統和芯片設計》的報告,講述了機器學習芯片設計技術,值得關注。Jeff Dean在Twitter做了推薦。

        在過去的十年中,系統和硬件已經改變了機器學習。現在是機器學習改變系統和硬件的時候了。在芯片設計過程中,芯片布局(chip placement)可以說是其中最復雜和耗時的步驟了。芯片設計周期的縮短有助于硬件設備適應機器學習領域的快速發展,那么,機器學習能否助力芯片設計呢?最近,谷歌提出了一種基于強化學習的芯片布局方法。本報告內容包括:

        學習優化器件放置

        學習配分圖

        學習優化芯片布局

        概述

        計算機芯片通常分為數十個模塊,每個模塊都是一個單獨的模組,例如內存的子系統、計算單元以及控制邏輯的系統。這些模塊可以通過網表以及宏(內存組件)和標準單元(邏輯門,例如 NAND、NOR 和 XOR)等電路組件圖來描述,而所有這些組件均通過網格連接。確定芯片如何布局(通常稱為芯片的布局規劃過程)是芯片設計過程中最復雜、最耗時的階段之一,它涉及到將網表放置在芯片的畫布(2D 網格)上,盡可能使得功率、性能和面積(PPA)降至最低,同時還要注意密度和布線擁塞方面的限制。盡管對此方向進行了數十年的研究,但是行業內專家仍然需要迭代數周的時間才能完成一個滿足多方面設計標準的解決方案。簡單來說,其復雜性來自于幾個主要層面:網表圖的大小(數百萬至數十億個節點)、網表圖放置的網格粒度,以及計算真實目標所產生的過高成本,如果使用行業標準的電子設計自動化工具這個計算過程可能要花費數小時(有時甚至超過一天)。谷歌研究者將芯片布局看作一個強化學習問題,然后訓練智能體將芯片網表(netlist)的節點放置在芯片畫布(canvas)上米樂m6官網登錄入口。為了使強化學習策略泛化至新的芯片 block,研究者將表征學習置于預測芯片布局質量的監督任務中。通過設計能夠在大量網表及其布局上準確預測獎勵的神經架構,該研究生成輸入網表的豐富特征嵌入。然后利用該架構作為策略和價值網絡的編碼器,實現遷移學習米樂。該研究旨在最小化芯片設計的 PPA(功耗、性能和面積)。研究者稱,該方法能夠在 6 小時內完成芯片布局設計,布局質量超過或匹配人類設計,而現有的基線方法需要人類專家參與,且往往需要數周時間才能完成。此外,谷歌還表示,該方法可以為谷歌加速器芯片(TPU)生成更優化的芯片放置方案,還適用于任意類型的芯片(ASIC)。

        Chip Placement with Deep Reinforcement Learning

        博客鏈接:http://ai.googleblog.com/2020/04/chip-design-with-deep-reinforcement.html

        作者:Azalia Mirhoseini、Anna Goldie、Jeff Dean 等

      機器學習如何用于芯片系統設計?Jeff Dean推薦Google最新《機器學習系統芯片設計》70頁ppt為你講解

        論文鏈接:https://arxiv.org/pdf/2004.10746.pdf

        摘要:在芯片設計過程中,芯片布局(chip placement)可以說是其中最復雜和耗時的步驟了。芯片設計周期的縮短有助于硬件設備適應機器學習領域的快速發展,那么,機器學習能否助力芯片設計呢?最近,谷歌提出了一種基于強化學習的芯片布局方法。研究者將芯片布局看作一個強化學習問題,然后訓練智能體將芯片網表(netlist)的節點放置在芯片畫布(canvas)上。為了使強化學習策略泛化至新的芯片 block,研究者將表征學習置于預測芯片布局質量的監督任務中。通過設計能夠在大量網表及其布局上準確預測獎勵的神經架構,該研究生成輸入網表的豐富特征嵌入。然后利用該架構作為策略和價值網絡的編碼器,實現遷移學習。

        該研究旨在最小化芯片設計的 PPA(功耗、性能和面積)。研究者稱,該方法能夠在 6 小時內完成芯片布局設計,布局質量超過或匹配人類設計,而現有的基線方法需要人類專家參與,且往往需要數周時間才能完成。

        參考鏈接:

        https://mp.weixin.qq.com/s/r9b2Gin2ygllgZkLS6l6bg

        專知便捷查看

        便捷下載,請關注專知公眾號(點擊上方藍色專知關注)

        后臺回復“MLCD” 可以獲取《Google最新《機器學習系統芯片設計》70頁ppt》專知下載鏈接索引

        專知,專業可信的人工智能知識分發,讓認知協作更快更好!歡迎注冊登錄專知www.zhuanzhi.ai,獲取5000+AI主題干貨知識資料!歡迎微信掃一掃加入專知人工智能知識星球群,獲取最新AI專業干貨知識教程資料和與專家交流咨詢!點擊“閱讀原文”,了解使用專知,查看獲取5000+AI主題知識資源

      13244776666

      milem6@technology.com

      久久91精品国产一区二区| 狠狠色丁香久久婷婷综合蜜芽五月| 久久大香伊蕉在人线观看热2| 九九久久自然熟的香蕉图片| 青青草国产免费久久久下载| 久久亚洲AV无码西西人体| 久久久免费的精品| 久久99精品久久久久久秒播| 人妻久久久一区二区三区| 国产精品久久久久久久久kt | 国产精品99久久久久久人四虎| 无码AV中文字幕久久专区| 亚洲精品无码久久久久| 国产成人精品久久免费动漫| 国内精品久久久久久久久电影网| 精品熟女少妇a∨免费久久| 久久国产乱子伦精品免费强 | 国产精品成久久久久三级| 精品国际久久久久999波多野| 久久精品一区二区三区资源网| 久久亚洲AV成人无码国产最大| 亚洲国产一成人久久精品| 亚洲精品无码久久毛片| 久久亚洲精品成人| 精品国产91久久久久久久 | 国产精品久久女同磨豆腐| 嫩草伊人久久精品少妇AV| 国产精品99久久久久久董美香| 精品久久久久国产免费| 97一区二区三区四区久久| 久久人妻无码中文字幕| 久久ZYZ资源站无码中文动漫| 中文国产成人精品久久久| 久久AⅤ人妻少妇嫩草影院| 人妻免费久久久久久久了| 91精品久久久久久无码| 久久亚洲精品视频| 亚洲一级Av无码毛片久久精品| 内射无码专区久久亚洲| 久久久av波多野一区二区| 色综合久久综合中文综合网|