Одним из ключевых моментов процесса проектирования компьютерных чипов является процедура оптимального размещения и соединения тысяч отдельных компонентов в единое целое на крошечном кристалле проектируемого чипа. И не стоит упоминать даже, что от качества выполнения этой работы зависят все основные параметры будущего чипа – его быстродействие, энергоэффективность и т.п. Данный процесс весьма напоминает процесс создания интерьеров помещений, однако, он более сложен поскольку проектировщикам чипов необходимо рассматривать варианты размещения компонентов не только в одной плоскости, а в “нескольких этажах” структуры чипа, что делает этот процесс очень похожим на игру в стиле 3D-Тетриса.
Сам по себе процесс размещения компонентов чипа является долгим и трудоемким, более того, базовый набор компонентов чипов постоянно улучшается и расширяется и, самые тщательно выполненные проекты очень быстро устаревают и становятся неактуальными. Сейчас длительность “жизненного цикла” чипа находится в диапазоне от двух до пяти лет, но темпы развития современной науки и технологий являются причиной постоянного сокращения этой длительности, постоянной замены имеющихся чипов их обновленными версиями.
Не так давно исследователи компании Google сделали огромный “квантовый прыжок” вперед в области проектирования компьютерных чипов, они создали алгоритм, который способен сам себя обучить и продолжать самообучаться в процессе работы, выбирая оптимальное размещение компонентов электронной схемы на кристалле чипа. Этот алгоритм производит анализ миллионов возможных вариантов размещения компонентов и делает это гораздо быстрее, чем требуется времени на полуавтоматический анализ тысячи вариантов, что является типовым значением для проекта более-менее сложного чипа. При этом, новый алгоритм может использовать любые новшества сразу по мере их появления, а создаваемые им чипы имеют меньшие размеры, большее быстродействие, меньший уровень энергопотребления и меньшую стоимость производства.
В основе нового алгоритма лежит технология машинного обучения с подкреплением (reinforcement learning). Путем анализа каждый предложенный вариант размещения оценивается, и за него насчитываются или призовые или штрафные баллы. Это позволяет системе найти оптимальные подходы и не ходить по тупиковым ветвям в следующие разы. Проведя обширное тестирование созданного алгоритма, специалисты Google обнаружили, что использование такого интеллектуального подхода позволило получить проекты, превосходящие по многим параметрам проекты, созданные не только квалифицированными людьми-инженерами, но и большими группами разработчиков.
И в заключение следует отметить, что исследователи компании Google считают, что созданный ими алгоритм может стать решением, которое будет способно гарантировать сохранение закона Гордона Мура еще некоторое время. Напомним нашим читателям, что, согласно этому закону, количество транзисторов на кристаллах чипов должно удваиваться каждые два года. До некоторого момента времени этот закон, определяющий темпы развития информационных технологий соблюдался неукоснительно за счет уменьшения габаритных размеров транзисторов. И лишь в последнее время в этой области начали наблюдаться определенные трудности, связанные с тем, что нынешние технологии почти вплотную подошли к ограничениям, накладываемым на технологические процессы законами фундаментальной физики.