OpenAI

18 ኖቬምበር 2026

ምርምርሕትመት

በOpenAI ሞዴሎች የቺፕ ንድፍን ማሳደግ

የOpenAI ሞዴሎች AIን የሚያስኬዱትን ቺፖች በፍጥነት እያሻሻሉ ነው። በኦገስት፣⁠ የOpenAI መሐንዲሶች የመጀመሪያውን በልዩ ሁኔታ ለኢንፈረንስ ያዘጋጀነውን Jalapeño ቺፕ ልማት ለማፋጠን ግንባር ቀደም ሞዴሎቻችንን እንዴት እንደተጠቀሙ አጋርተናል። እዚህ ላይ ለJalapeño ውጤት መሻሻል መሠረት የሆኑትን በባለሙያ ደረጃ የተሠሩ የንድፍ ማሻሻያዎች በዝርዝር እንመለከታለን። እንዲሁም ከAMD ጋር በመሆን ተመሳሳይ አቀራረብን በሌሎች አካላት ሃርድዌር ላይ ጉልህ መሻሻሎችን ለማምጣት እንዴት እየተጠቀምንበት እንደሆነ እናሳያለን።

ሞዴላችን የቺፕ ንድፍ ሥራዎችን ከመጀመሪያ እስከ መጨረሻ የመሥራት ችሎታውን ለመለካት፣ ተከታታይ ትውልዶቹን በሁለት ክፍት ምንጭ የፕሮሰሰር ንድፎች ላይ ገምግመን አስደሳች ግኝቶችን አግኝተናል። የአቅም ልማቱን በታመኑ የግምገማ መሣሪያዎች ላይ ለመመሥረትም፣ ግንባር ቀደም የማሰብ ችሎታን መሐንዲሶች ቺፖችን ለመንደፍና ለማረጋገጥ አስቀድመው ከሚጠቀሙባቸው የኤሌክትሮኒክ ንድፍ አውቶሜሽን (EDA) መሣሪያዎች ጋር ለማቀናጀት ከSynopsys ጋር እየሠራን ነው።

የJalapeño ስሌት ክፍሎችን ማሻሻል

በ2025 መጀመሪያ ላይ Jalapeñoን ለመንደፍ እንዲረዳን GPT‑4oን መጠቀም ጀመርን። ያ የቀደመ ሞዴል እንኳን በኃይል ፍጆታ፣ አፈጻጸምና ስፋት (PPA) ላይ ጉልህ ማሻሻያዎችን የሚያመጡ መንገዶችን አግኝቷል። ለምሳሌ፦

ትይዩ የስሌት ሥራዎችን በሚያስተዳድረውና በሚያከናውነው የቬክተር አሃድ ውስጥ፣ ቁጠባው የተገኘው ከተንሳፋፊ ነጥብ ደማሪዎችና አባዢዎች፣ ከልወጣ ፋንክሽኖች፣ ከማጠቃለያ ሎጂክ እና ከልዩ ፋንክሽን አሃድ ነው። ሞዴሎቹ አማራጭ የሎጂክ አተገባበሮችን እና ስሌቶችን በፓይፕላይን ደረጃዎች መካከል የመከፋፈል ዘዴዎችን መርምረዋል። በዚህም ሃርድዌርን በጋራ ለመጠቀምና መካከለኛ ማከማቻን ለመቀነስ የሚያስችሉ ዕድሎችን አግኝተዋል።

የሒሳብ ስሌት አካል በሆነው የማትሪክስ አሃድ ውስጥ፣ በተንሳፋፊ ነጥብ ደማሪዎች፣ አባዢዎች እና ዝቅተኛ ትክክለኛነት ባላቸው የዶት ብዜት ወረዳዎች ላይ የተገኙ ማሻሻያዎች ተደምረዋል። እንደገና የተነደፈ አንድ አባዢ በሲንተሲስ ወቅት ወደ 15% ያነሰ የሴል ስፋት የተጠቀመ ሲሆን፣ የመዘግየት ጊዜውንም ከሁለት የሰዓት ዑደቶች ወደ አንድ ቀንሷል። ሌላ እንደገና የተነደፈ ደማሪ ደግሞ የሁለት ዑደት መዘግየት ጊዜውን እንደጠበቀ፣ የሴል ስፋቱን በ15% ገደማ ቀንሷል። በዶት ብዜት ሎጂክና በፓይፕላይን አደረጃጀት ላይ የተደረጉ ተጨማሪ ማሻሻያዎችም በክፍሉ በሙሉ ተጨማሪ ቁጠባ አስገኝተዋል።

በአጠቃላይ የJalapeño ንድፍ ሥራ ውስጥ፣ በሞዴል የተጠቆሙ ለውጦች የመደበኛ ሴሎችን ስፋት በቬክተር አሃዱ ውስጥ በ13% ገደማ፣ በማትሪክስ አሃዱ ውስጥ ደግሞ በ10% እንደቀነሱት ቡድኑ ይገምታል። እነዚህ ማሻሻያዎች የJalapeño ሲሊኮን ለመጀመሪያ ጊዜ ሥራ ላይ በዋለበት⁠ ወቅት በተጨባጭ ቺፕ ላይ ተረጋግጠዋል።

ከAMD ጋር ያለን ትብብር

በPPA ማሻሻያዎች ላይ ከAMD ጋር ተባብረን ሠርተናል። በዋናው GPU IP ላይም፣ አስቀድመው በእጅጉ ከተሻሻሉ የመነሻ ንድፎች አንጻር እስከ 14% መሻሻል አይተናል። ሞዴላችን የቺፑን ወረዳዎች የሚገልጸውን ኮድ (SystemVerilog RTL) እንደገና በመጻፍ ተጨማሪ ማሻሻያዎችን ለይቷል። ይህ በአምስት ወራት ባነሰ ጊዜ የተገኘ የአንድ ዓመት ገደማ እድገት ነው፤ በቺፕ ንድፍ ዘርፍ ከፍተኛ የቴክኖሎጂ ደረጃ ላይ ከዚህ በፊት ያልታየ ውጤት ነው። AMD ከእነዚህ ለውጦች አንዳንዶቹን በቅርቡ ለማምረት በላከው ንድፍ ውስጥ አስገብቷል። ሌሎቹንም በወደፊት ስሪቶች ለመጠቀም በምርት ንድፍ ፋይሎቹ ላይ አክሏል።

ሞዴሉ RTLን በማይክሮአርክቴክቸር ባለሙያ ደረጃ ሲተነትን ተመልክተናል። ሞዴሉ ስሌቶችን የሚያከናውኑ፣ ክዋኔዎችን የሚቆጣጠሩ ወይም ውሂብን የሚያንቀሳቅሱ ወረዳዎችን እንደገና መጻፍ ይችላል። እያንዳንዱ ዳግም ጽሑፍ የክፍሉን አሠራር እንደጠበቀ ለማረጋገጥ እና በኃይል ፍጆታ፣ በአፈጻጸምና በስፋት መካከል ያለውን ሚዛን ለመገምገም የSynopsys መሣሪያዎችን ተጠቅሟል።

AMD በተጨማሪም፣ በሞዴላችን የተጻፉ ንድፎችን በመጠቀም በቀጣይ ትውልድ ዋና CPUው ቁልፍ ክፍሎች ላይ ከ10% በታች የሆኑ የPPA መሻሻሎችን አረጋግጧል። ወደፊትም፣ በጣም ከተሻሻለው የመነሻ ንድፍ አንጻር በGPU እና CPU ላይ ተጨማሪ የPPA መሻሻሎችን እንጠብቃለን።

የRISC-V ኮሮችን ማሻሻል

በJalapeño እና በAMD ቺፖች ላይ ያገኘናቸው ውጤቶች፣ ሞዴሎች ለምርት የሚውሉ ንድፎችን ማሻሻል እንደሚችሉ ያሳያሉ። ከአንድ የሞዴል ትውልድ ወደ ቀጣዩ የቺፕ ንድፍ ችሎታ ምን ያህል እንዳደገ ለመለካት፣ እያንዳንዱን ሞዴል በሁለት ክፍት ምንጭ 32-ቢት የRISC-V ኮሮች ላይ ፈትነናል። PicoRV32፣ FPGA ተብለው ለሚጠሩ እንደገና ፕሮግራም ሊደረጉ ለሚችሉ ቺፖች የተነደፈ አነስተኛ ኮር ነው። OpenTitan በደህንነት ቺፑ ውስጥ Ibexን እንደ አብሮገነብ ፕሮሰሰር ይጠቀማል። እያንዳንዳቸው በማይክሮኮንትሮለር ደረጃ ለሚከናወኑ አብሮገነብ ሥራዎች የተዘጋጁ የተሟሉ የፕሮሰሰር ኮሮች ናቸው።

ለእያንዳንዱ ሞዴል የእያንዳንዱን ኮር የመጀመሪያ የሃርድዌር መግለጫ ሰጥተን፣ የማስተላለፊያ ዘዴውን (ኮሩ በሰከንድ ሊያስፈጽማቸው የሚችላቸውን መመሪያዎች ብዛት) እንዲያሳድግ ጠይቀነዋል። ለምሳሌ፣ አንድ ለውጥ ኮሩ መመሪያን በጥቂት የሰዓት ዑደቶች እንዲያጠናቅቅ ሊያስችለው ይችላል፤ ነገር ግን እያንዳንዱ ዑደት የበለጠ ጊዜ እንዲወስድ ሊያደርግ ይችላል። የማስተላለፊያ ዘዴን መለካት ሁለቱንም ተፅዕኖዎች ያካትታል።

የእያንዳንዱን ንድፍ ውጤቶች በማስመሰል ሙከራ ፈትሸናል። አንድን ፍተሻ ማለፍ ያልቻሉ ወይም ከመጀመሪያው ኮር ስፋት ከ16 እጥፍ በላይ የተጠቀሙ ንድፎች ዜሮ ነጥብ አግኝተዋል። ፍተሻውን ላለፉ ንድፎች፣ ለሞዴሎቹ ባልተገለጹ የሥራ ጫናዎች ላይ በአንድ የሰዓት ዑደት የሚፈጸሙ መመሪያዎችን ብዛት ለክተናል። በእነዚያ የሥራ ጫናዎች ላይ የተገኙትን ውጤቶች ጂኦሜትሪያዊ አማካይ ወስደን፣ በYosys በተገመተው ከፍተኛ የሰዓት ድግግሞሽ አባዝተነዋል። ይህም በሰከንድ የሚፈጸሙ መመሪያዎችን ብዛት ግምት ሰጥቶናል። ለእያንዳንዱ ኮር፣ በተመሳሳይ ገደቦች ሥር ለተመለከትነው ምርጥ የማስተላለፊያ ዘዴ 1.0 ነጥብ ሰጥተናል። ገበታዎቹ ዜሮ ነጥብ ያገኙትን ጨምሮ የሁሉንም ሙከራዎች አማካይ ነጥብ ያሳያሉ።

በእያንዳንዱ ሙከራ 112,000 ገደማ token በሚመደብበት ተመጣጣኝ በጀት፣ GPT‑6.2 Astra በሁለቱም ኮሮች ላይ ከፍተኛውን አማካይ ነጥብ አግኝቷል። GPT‑6.1 Solም በሁለቱም ላይ ከGPT‑5.6 Sol የበለጠ ነጥብ አግኝቷል።

ባለው የPicoRV32 ኮር ላይ፣ GPT‑6.2 Astra በከፍተኛ ተመጣጣኝ በጀቶች ከፍተኛውን አማካይ ነጥብ ያገኛል። በ112,000 ገደማ token፣ ነጥቡ ከGPT‑6 Astra ሁለት እጥፍ ገደማ ነው።

ባለው የIbex ኮር ላይ፣ GPT‑6.2 Astra የሚጠቀምበት በጀት እየጨመረ ሲሄድ አማካይ ነጥቡም መጨመሩን ይቀጥላል። የGPT‑6 Astra እና የGPT‑6.1 Sol ውጤቶች ግን እርስ በርሳቸው ይበልጥ ይቀራረባሉ።

ከዝርዝር መስፈርቶች ተነስቶ የRISC-V ኮር መንደፍ

ለሁለተኛው ተግባር፣ ለእያንዳንዱ ሞዴል በጽሑፍ የቀረቡ መስፈርቶችን እና ኮሩ ከቀሪው ሥርዓት ጋር እንዴት እንደሚገናኝ የሚያሳዩ ከክፍት ምንጭ ኮዱ የተወሰዱ አብነቶችን ሰጥተናል። ሞዴሉ ውሂብ በኮሩ ውስጥ እንዴት እንደሚንቀሳቀስ እና ሥራው በደረጃዎች እንዴት እንደሚከፈል መርጧል። ለእያንዳንዱ ኮር፣ የትክክለኛነት ፍተሻዎችን፣ የማህደረ ትውስታና የመሸጎጫ ቅንብሮችን፣ እንዲሁም የማስተላለፊያ ዘዴ ግቦችን በRTL ማሻሻያ ተግባር ውስጥ እንደነበሩት አቆይተናል።

በእያንዳንዱ ሙከራ 112,000 ገደማ token በመጠቀም፣ አምስቱም ሞዴሎች ያለውን ንድፍ ለማሻሻል ከሞከሩበት ይልቅ፣ በጽሑፍ ከቀረቡ መስፈርቶች ተነስተው ኮር ሲነድፉ የበለጠ ነጥብ አግኝተዋል። ይህ በPicoRV32 እና በIbex ሁለቱም ላይ ታይቷል። GPT‑6.2 Astra ከPicoRV32 ይልቅ በIbex ላይ የበለጠ መሻሻል አሳይቷል። አጠቃላይ ግምገማው ሁለቱንም ተግባሮች፣ ሁለቱንም ኮሮች እና ሁሉንም የtoken በጀቶች የሚሸፍኑ፣ ነጥብ የተሰጣቸውን 9,881 ሙከራዎች አካትቷል።

የPicoRV32 ዝርዝር መስፈርቶችን መነሻ በማድረግ፣ GPT‑6.2 Astra በ112,000 ገደማ token የ0.7 አማካይ ነጥብን ያልፋል። በቀጣዮቹ ሁለት የተፈተኑ የበጀት ደረጃዎችም የበለጠ ነጥብ ያገኛል።

በIbex ላይ፣ GPT‑6.2 Astra ከዝርዝር መስፈርቶች ተነስቶ ሲነድፍ፣ በ112,000 ገደማ token ወደ 0.75 የሚደርስ አማካይ ነጥብ ያገኛል። በተመሳሳይ ከፍ ያሉ በጀቶችም የውጤት ኩርባው ከሌሎቹ በላይ ይቆያል።

በጽሑፍ ከቀረቡ መስፈርቶች መጀመር፣ ሞዴሎቹ በመጀመሪያዎቹ ኮሮች ውስጥ የነበሩ እንደ አፈጻጸም ቆጣሪዎችና ተጨማሪ መመሪያዎች ያሉ ባህሪያትን እንዳያካትቱ ዕድል ይሰጣቸዋል። እነዚህ ባህሪያት በሙከራ የሥራ ጫናዎች ላይ የማስተላለፊያ ዘዴን ለማሻሻል የሚያበረክቱት አስተዋፅዖ አነስተኛ ሊሆን ይችላል። ይህም ለከፊሉ የነጥብ ብልጫ ማብራሪያ ሊሆን ይችላል። እነዚህ ባህሪያት እንዲካተቱ ማስገደድ፣ በወረዳ ስፋት ላይ ይበልጥ ጥብቅ ገደብ ማስቀመጥ እና ከፊዚካል ሲንተሲስ በኋላ የጊዜ አፈጻጸምን መፈተሽ፣ ሙከራው ለምርት የሚውል የቺፕ ንድፍን በተሻለ እንዲወክል ያደርገዋል።

ቀጣይ እርምጃዎች

ሞዴሎቻችን በRISC-V ግምገማዎች ውስጥ አዳዲስ የፕሮሰሰር አወቃቀሮችን መመርመር እንደሚችሉ አሳይተናል። እንዲሁም እንደ Jalapeño እና የAMD ቀጣይ ትውልድ ዋና GPU እና CPU ባሉ ለምርት የሚውሉ የላቁ ንድፎች ላይ አዳዲስ ተጨማሪ ማሻሻያዎችን አበርክተናል። የሞዴል ልማትን በታመኑ የግምገማ መሣሪያዎች ላይ ለመመሥረትና የሚፈቱትን የንድፍ ተግዳሮቶች ለማስፋት ከSynopsys ጋር በመተባበር ላይ ነን። በዚህም አዲሱን GPT‑Synopsys⁠(በአዲስ መስኮት ውስጥ ይክፈታል) ሞዴል፣ የSynopsys የኤሌክትሮኒክ ንድፍ አውቶሜሽን (EDA) መሣሪያዎችን ባለሙያ የቺፕ ነዳፊዎች እንደሚጠቀሙባቸው እንዲጠቀም እናሠለጥነዋለን።