• <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99精品久久久大学生| 久久久精品久久久久久 | 久久精品*5在热| 无码国产69精品久久久久孕妇| 午夜天堂av天堂久久久| 国产三级观看久久| 2020久久精品国产免费| 久久丫精品久久丫| 一本色道久久综合亚洲精品高清| A男人的天堂久久A毛片| 久久精品国产亚洲精品2020 | 久久久无码一区二区三区| 国产综合免费精品久久久| 国产精品久久免费视频| 国产精品福利一区二区久久| 久久国产精品免费网站| 国产午夜精品久久久久九九电影| 国产精品久久久久国产精品 | 狠狠综合久久久久综合网| 久久久久高潮毛片免费全部播放| 日本道色综合久久影院| 久久伊人五月天论坛| 一本色道久久88综合亚洲精品高清| 亚洲国产精品18久久久久久| 久久久久亚洲精品日久生情| 久久久久久久久久久久福利| 久久免费高清视频| 囯产极品美女高潮无套久久久| 狠狠色综合久久久久尤物| 国产精品一区二区三区久久| 伊人久久婷婷五月综合97色| 久久亚洲日韩看片无码| 久久久精品国产sm调教网站| 久久久久亚洲Av片无码v| 久久精品国产这里是免费| 国产精品99久久久精品无码| 久久久不卡国产精品一区二区| 国产成人无码精品久久久免费| 久久变态刺激另类sm孕妇| 精品无码久久久久久国产| 亚洲国产精品美女久久久久|