OpenAI מדווחת על התקדמות של כשנה בתכנון שבבים בפחות מ-5 חודשים
מאת מערכת זירת AI · פורסם: · עודכן:
OpenAI חושפת כיצד מודליה הקטינו את שטח התאים בשבב ההסקה Jalapeño בכ-13% ביחידה הווקטורית ובכ-10% ביחידת המטריצות, והשיגו שיפור של עד 14% במדדי PPA ב-GPU המוביל של AMD. במבחנים על ליבות RISC-V בקוד פתוח הוביל GPT-6.2 Astra, והחברה מפתחת עם Synopsys מודל ייעודי לכלי תכנון שבבים.
בקצרה:
- השיפורים ב-Jalapeño אומתו בסיליקון בשלב הפעלת השבב.
- במבחני הליבות הפתוחות, כל המודלים שנבדקו הצליחו יותר בתכנון מאפס מאשר בשיפור תכנון קיים.
- היתרון בתכנון מאפס עשוי לנבוע בחלקו מוויתור על רכיבים שנחוצים בתכנון לייצור אך תורמים מעט לתפוקה במבחן.
OpenAI פרסמה פירוט של האופן שבו מודלי הבינה המלאכותית שלה משמשים לשיפור תכנון שבבים, הן בשבב ההסקה הייעודי של החברה, Jalapeño, והן בחומרה של צד שלישי במסגרת שיתוף פעולה עם AMD. לצד תוצאות מתכנונים בייצור, החברה הציגה מערך מבחנים שמודד את התקדמות היכולות בין דורות המודלים על שני מעבדים בקוד פתוח מבוססי RISC-V.
שיפורים ביחידות החישוב של Jalapeño
לפי OpenAI, השימוש במודלים בתכנון Jalapeño החל כבר בתחילת 2025 עם GPT-4o. גם המודל המוקדם הזה מצא שיפורים לא טריוויאליים במדדי PPA, כלומר הספק, ביצועים ושטח.
ביחידה הווקטורית, שמנהלת ומבצעת משימות חישוב מקביליות, החיסכון הגיע ממחברים ומכפלים בנקודה צפה, מפונקציות המרה, מלוגיקת צמצום ומיחידת הפונקציות המיוחדות. המודלים בחנו מימושים לוגיים חלופיים וגם את חלוקת החישובים בין שלבי הצנרת, ומצאו הזדמנויות לשיתוף חומרה ולהקטנת האחסון של תוצאות ביניים.
ביחידת המטריצות נרשמו שיפורים במחברים, במכפלים ובמעגלי מכפלה סקלרית בדיוק נמוך. תכנון מחדש של מכפל אחד הקטין את שטח התאים בסינתזה בכ-15% וקיצר את זמן ההשהיה משני מחזורי שעון לאחד. תכנון מחדש של מחבר הקטין את השטח בכ-15% תוך שמירה על השהיה של שני מחזורים. בסיכום כולל, הצוות מעריך כי השינויים שהציעו המודלים הקטינו את שטח התאים הסטנדרטיים בכ-13% ביחידה הווקטורית ובכ-10% ביחידת המטריצות, והשיפורים אומתו בסיליקון בשלב הפעלת השבב.
שיתוף הפעולה עם AMD
בעבודה עם AMD דווח על שיפור של עד 14% במדדי PPA ביחס לתכנונים שעברו אופטימיזציה כבדה, ברכיב ה-GPU המוביל של החברה. המודל מצא את השיפורים באמצעות שכתוב קוד ה-RTL ב-SystemVerilog שמתאר את מעגלי השבב. לטענת OpenAI, מדובר בהתקדמות של כשנה שהושגה בפחות מחמישה חודשים. AMD כבר שילבה חלק מהשינויים בתכנון ששלחה לייצור לאחרונה, והוסיפה אחרים לקבצי התכנון שלה לגרסאות עתידיות.
כ-13% – הקטנת שטח התאים ביחידה הווקטורית של Jalapeño כ-10% – הקטנת שטח התאים ביחידת המטריצות של Jalapeño עד 14% – שיפור במדדי PPA ברכיב ה-GPU המוביל של AMD
לפי החברה, המודל משכתב מעגלי חישוב, בקרה והעברת נתונים, ומשתמש בכלי Synopsys כדי לוודא שכל שכתוב שומר על התנהגות הבלוק ולהעריך את הפשרות בין הספק, ביצועים ושטח. AMD אימתה גם שיפורים בשיעור חד-ספרתי בבלוקים מרכזיים של מעבד ה-CPU המוביל מהדור הבא שלה.
מבחנים על ליבות RISC-V בקוד פתוח
כדי למדוד התקדמות בין דורות, OpenAI בחנה את המודלים על שתי ליבות של 32 ביט: PicoRV32, ליבה קומפקטית ל-FPGA, ו-Ibex, המשמשת כמעבד משובץ בשבב האבטחה של OpenTitan. במשימה הראשונה קיבלו המודלים את תיאור החומרה המקורי והתבקשו להגדיל את התפוקה, כלומר מספר הפקודות לשנייה.
שיטת הניקוד: כל תכנון נבדק בסימולציה, וקיבל אפס אם נכשל בבדיקה או חרג מפי 16 משטח הליבה המקורית. בתכנונים שעברו נמדד מספר הפקודות למחזור שעון על עומסי עבודה שהוסתרו מהמודלים, חושב ממוצע גיאומטרי, והתוצאה הוכפלה בתדר המרבי שהוערך באמצעות Yosys. התפוקה הטובה ביותר שנצפתה לכל ליבה קיבלה ציון 1.0.
בתקציב של כ-112 אלף טוקנים להרצה, GPT-6.2 Astra השיג את הציון הממוצע הגבוה ביותר בשתי הליבות, וב-PicoRV32 הציון שלו היה בערך כפול מזה של GPT-6 Astra. גם GPT-6.1 Sol עקף את GPT-5.6 Sol בשתיהן.
תכנון מאפס ומגבלות המבחן
במשימה השנייה קיבלו המודלים דרישות כתובות ותבניות ממשק, ובחרו בעצמם את זרימת הנתונים ואת חלוקת השלבים בליבה. כל חמשת המודלים השיגו ציונים גבוהים יותר בתכנון מאפס מאשר בשיפור התכנון הקיים. GPT-6.2 Astra עבר ציון ממוצע של 0.7 ב-PicoRV32 והגיע לכ-0.75 ב-Ibex. ההערכה כולה כללה 9,881 הרצות מנוקדות.
OpenAI עצמה מציינת מגבלה מהותית: תכנון מדרישות מאפשר למודלים לוותר על רכיבים כמו מוני ביצועים ופקודות נוספות, שתורמים מעט לתפוקה בעומסי המבחן, וזה עשוי להסביר חלק מהיתרון. לדברי החברה, דרישה לכלול רכיבים אלה, מגבלת שטח הדוקה יותר ובדיקת תזמון לאחר סינתזה פיזית יהפכו את המבחן למייצג יותר של תכנון לייצור.
בהמשך, OpenAI משתפת פעולה עם Synopsys באימון מודל חדש בשם GPT-Synopsys, שנועד להפעיל את כלי ה-EDA של החברה כפי שעושים מתכנני שבבים מומחים.
שאלות נפוצות
איך בינה מלאכותית מאיצה תכנון שבבים לפי OpenAI?
לפי OpenAI, מודלי הבינה המלאכותית שלה מציעים שינויים במעגלי חישוב, בקרה והעברת נתונים, ובוחנים חלופות למימוש הלוגיקה ולחלוקת החישובים בין שלבי הצנרת. בשיתוף הפעולה עם AMD דווח על התקדמות השקולה לכשנת עבודה בפחות מחמישה חודשים, ועל שיפור של עד 14% במדדי הספק, ביצועים ושטח בתכנונים מסוימים.
מה זה PPA בתכנון שבבים?
PPA הוא קיצור של Power, Performance ו-Area: הספק, ביצועים ושטח. אלה מדדים מרכזיים להערכת תכנון שבבים, המאפשרים לבחון את הפשרות בין צריכת החשמל, מהירות הפעולה והשטח הנדרש למימוש המעגלים. לפי הכתבה, המודלים הציעו שינויים שנבדקו בכלי תכנון ואימות כדי להעריך את השפעתם על המדדים האלה.
אילו שיפורים השיגה OpenAI בשבב Jalapeño באמצעות AI?
לפי OpenAI, שינויים שהציעו המודלים הקטינו את שטח התאים הסטנדרטיים בכ־13% ביחידה הווקטורית ובכ־10% ביחידת המטריצות של שבב ההסקה Jalapeño. בתכנון מחדש של מכפל מסוים, השטח בסינתזה קטן בכ־15% וההשהיה התקצרה משני מחזורי שעון לאחד. החברה מדווחת שהשיפורים הכוללים אומתו בסיליקון במהלך הפעלת השבב.
מה זה RTL ואיך מודלי AI משתמשים בו לשיפור שבבים?
RTL הוא תיאור חומרה המגדיר כיצד נתונים עוברים בין אוגרים ואילו פעולות לוגיות מתבצעות עליהם. בשיתוף הפעולה עם AMD, המודל שכתב קוד RTL בשפת SystemVerilog כדי לשפר מעגלים. כלי Synopsys שימשו לווידוא שהשכתוב שומר על התנהגות הבלוק ולהערכת הפשרות בין הספק, ביצועים ושטח לפני שילוב השינויים בתכנון.
איך OpenAI בדקה את המודלים בתכנון מעבדי RISC-V, ומה מגבלות המבחן?
OpenAI בחנה שיפור ותכנון מאפס של שתי ליבות RISC-V בקוד פתוח, PicoRV32 ו־Ibex, באמצעות סימולציות ומדידת תפוקה בעומסי עבודה שהוסתרו מהמודלים. בכל חמשת המודלים, התכנון מאפס השיג ציונים גבוהים יותר. עם זאת, הוא אפשר השמטת רכיבים מסוימים, ולכן החברה מציינת שנדרשות מגבלות שטח ובדיקות תזמון מחמירות יותר כדי לייצג תכנון לייצור