OpenAI представила результаты применения своих моделей искусственного интеллекта для проектирования и оптимизации процессоров. Компания добилась улучшений в собственном inference-чипе Jalapeño и аппаратных разработках AMD, а также провела сравнительные испытания нескольких поколений моделей на открытых процессорных архитектурах RISC-V. Работа направлена на сокращение площади микросхем, повышение производительности и оптимизацию энергопотребления.
Инженеры OpenAI начали использовать GPT-4o при разработке Jalapeño в начале 2025 года. Модель предлагала изменения в векторном и матричном блоках, включая арифметические схемы с плавающей точкой, умножители, преобразователи данных, логику редукции и вычислительные цепочки.
В векторном блоке модели искали альтернативные реализации логики и варианты распределения вычислений между стадиями конвейера. Это помогло объединять аппаратные операции и сокращать объём промежуточного хранения данных. В матричном блоке изменения затронули сумматоры, умножители и схемы скалярного произведения с низкой точностью.
Одна из переработок умножителя сократила площадь стандартных ячеек примерно на 15% при синтезе и уменьшила задержку с двух тактов до одного. Отдельная оптимизация сумматора дала сокращение площади примерно на 15% при сохранении двухтактной задержки. По оценке OpenAI, совокупные изменения, предложенные моделями, уменьшили площадь стандартных ячеек векторного блока на 13%, а матричного — на 10%. Оптимизации прошли проверку на изготовленном кремниевом образце во время запуска Jalapeño.
Параллельно OpenAI сотрудничает с AMD над улучшением показателей PPA — производительности, энергопотребления и площади микросхем. На флагманском GPU IP компании модели обеспечили улучшение до 14% относительно уже оптимизированных базовых вариантов. Для этого они переписывали RTL-код на SystemVerilog, описывающий структуру и поведение аппаратных схем.
По оценке OpenAI, объём прогресса, соответствующий примерно году работы, удалось получить менее чем за пять месяцев. AMD уже включила часть предложенных изменений в проект, отправленный на производство, а другие решения добавила в производственные файлы для будущих версий. Кроме того, AMD подтвердила однозначные процентные улучшения PPA в ключевых блоках следующего поколения флагманского CPU.
При работе с RTL модели анализировали схемы на уровне микроархитектуры: переписывали вычислительные операции, управляющую логику и передачу данных. Для проверки эквивалентности поведения и оценки компромиссов между производительностью, энергопотреблением и площадью использовались инструменты Synopsys. OpenAI также сотрудничает с Synopsys над интеграцией своих моделей с инструментами автоматизации проектирования электронных систем (EDA), которыми пользуются инженеры.
Для оценки развития возможностей моделей OpenAI провела испытания на двух открытых 32-битных процессорных ядрах RISC-V: PicoRV32 и Ibex. Первое предназначено для программируемых FPGA, второе используется в защищённом чипе OpenTitan. Моделям передавали исходный RTL-код и предлагали увеличить пропускную способность процессоров — количество выполняемых инструкций в секунду.
Корректность результатов проверяли симуляцией. Проекты получали нулевой балл при ошибках проверки или увеличении площади более чем в 16 раз относительно исходного ядра. Для остальных вариантов измеряли количество инструкций за такт на скрытых от моделей нагрузках и оценивали максимальную частоту с помощью Yosys. Итоговый показатель рассчитывали на основе геометрического среднего производительности на тестовых нагрузках и оценённой частоты.
При сопоставимом бюджете около 112 тысяч токенов на запуск GPT-6.2 Astra показала наивысший средний результат на обоих ядрах. GPT-6.1 Sol также превзошла GPT-5.6 Sol. На PicoRV32 результат GPT-6.2 Astra при указанном бюджете оказался примерно вдвое выше показателя GPT-6 Astra. На Ibex средний результат GPT-6.2 Astra продолжал расти при увеличении доступного бюджета вычислений.
Во втором эксперименте моделям предложили самостоятельно спроектировать процессорное ядро по письменной спецификации и шаблонам подключения к остальной системе. Они определяли движение данных и распределение вычислений по стадиям конвейера. При бюджете около 112 тысяч токенов все пять протестированных моделей показали более высокие результаты при создании ядра по спецификации, чем при оптимизации существующего RTL-кода. Испытания охватили 9881 оцениваемый запуск на двух архитектурах и в двух типах задач.
Результаты показывают, что модели OpenAI применяются не только для ускорения разработки программного обеспечения, но и для изменения аппаратных проектов, включая решения, переходящие в производство. Протестировать ChatGPT без VPN и подписок можно в ИИ-студии Нейро.PRO.
OpenAI продолжает развивать подход к автоматизации проектирования микросхем, объединяя генерацию RTL-кода, проверку корректности схем и оценку аппаратных характеристик. Результаты Jalapeño и сотрудничества с AMD демонстрируют применение моделей в реальных производственных разработках, а тесты RISC-V дают количественную основу для сравнения возможностей разных поколений систем.





Комментарии и обсуждение
Пока нет комментариев. Будьте первым!