OpenAI

18 בנובמבר 2026

מחקרפרסום

מקדמים את תכנון השבבים עם המודלים של OpenAI

המודלים של OpenAI משפרים בקצב מהיר את השבבים שמפעילים AI. באוגוסט⁠ שיתפנו כיצד מהנדסי OpenAI השתמשו במודלי החזית שלנו כדי להאיץ את פיתוחו של Jalapeño, שבב ההסקה הייעודי הראשון שלנו. כאן נעמיק בשיפורי התכנון ברמת מומחה שהובילו להישגים של Jalapeño, ונראה כיצד אנחנו מיישמים את אותה גישה בשיתוף AMD כדי להשיג שיפורים משמעותיים בחומרה של צד שלישי.

כדי למדוד את יכולת המודל שלנו במשימות תכנון שבבים מקצה לקצה, הערכנו דורות עוקבים של מודלים על שני תכנוני מעבדים בקוד פתוח, והגענו לממצאים מעניינים. וכדי לבסס את פיתוח היכולות על כלי הערכה מהימנים, אנחנו עובדים עם Synopsys על שילוב בינת חזית בכלי האוטומציה לתכנון אלקטרוני (EDA) שבהם מהנדסים כבר משתמשים לתכנון שבבים ולאימותם.

שיפור יחידות החישוב של Jalapeño

בתחילת 2025 התחלנו להיעזר ב-GPT‑4o לתכנון Jalapeño. אפילו המודל המוקדם הזה מצא דרכים להשיג שיפורים ניכרים בהספק, בביצועים ובשטח (PPA), למשל:

ביחידה הווקטורית, שמנהלת ומבצעת משימות חישוב מקבילי, החיסכון הושג במחברים ובמכפילים של נקודה צפה, בפונקציות המרה, בלוגיקת צמצום וביחידת הפונקציות המיוחדות. המודלים בחנו גם מימושים לוגיים חלופיים וגם דרכים לחלוקת החישובים בין שלבי צינור העיבוד, וזיהו הזדמנויות לשימוש משותף בחומרה ולצמצום אחסון הביניים.

ביחידת המטריצות, שהיא רכיב אריתמטי, הצטברו שיפורים במחברים ובמכפילים של נקודה צפה ובמעגלי מכפלה סקלרית בדיוק נמוך. תכנון מחודש של אחד המכפילים הקטין את שטח התאים בסינתזה בכ-15%, ובמקביל קיצר את ההשהיה משני מחזורי שעון לאחד. תכנון מחודש נפרד של מחבר הקטין את שטח התאים בכ-15%, תוך שמירה על השהיה של שני מחזורים. שיפורים נוספים בלוגיקת המכפלה הסקלרית ובארגון צינור העיבוד תרמו לחיסכון נוסף ברחבי היחידה.

במכלול עבודת התכנון של Jalapeño, הצוות מעריך ששינויים שהציעו המודלים צמצמו את שטח התאים הסטנדרטיים בכ-13% ביחידה הווקטורית וב-10% ביחידת המטריצות. האופטימיזציות האלה הוכחו בשבב הפיזי במהלך ההפעלה הראשונית של שבב Jalapeño⁠.

שיתוף הפעולה שלנו עם AMD

במסגרת שיתוף פעולה עם AMD לשיפור מדדי PPA, ראינו שיפור של עד 14% ביחס לתכנוני בסיס שעברו אופטימיזציה נרחבת, ברכיבי ה-IP של מעבד הדגל הגרפי. המודל שלנו זיהה שיפורים נוספים באמצעות כתיבה מחדש של הקוד המתאר את מעגלי השבב (SystemVerilog RTL). זו התקדמות השקולה לכשנת עבודה, שהושגה בפחות מחמישה חודשים — תוצאות חסרות תקדים בחזית תכנון השבבים. AMD כבר שילבה חלק מהשינויים האלה בתכנון ששלחה לאחרונה לייצור, והוסיפה אחרים לקובצי התכנון שלה לייצור, לשימוש בגרסאות עתידיות.

ראינו שהמודל מסוגל לנתח RTL ברמה של מומחה למיקרו-ארכיטקטורה. המודל יכול לכתוב מחדש מעגלים המבצעים חישובים, שולטים בפעולות או מעבירים נתונים. הוא השתמש בכלי Synopsys כדי לוודא שכל כתיבה מחדש שומרת על התנהגות היחידה, וכדי להעריך את האיזונים בין הספק, ביצועים ושטח.

AMD גם אימתה שיפורים בשיעור חד-ספרתי במדדי PPA ביחידות מרכזיות במעבד הדגל המרכזי שלה מהדור הבא, באמצעות תכנונים שכתב המודל שלנו. במבט קדימה, אנחנו צופים שיפורים נוספים במדדי PPA במעבדים גרפיים ומרכזיים, ביחס לתכנון הבסיס שעבר את האופטימיזציה המרבית.

אופטימיזציה של ליבות RISC-V

התוצאות שלנו ב-Jalapeño ובשבבים של AMD מראות שמודלים יכולים לשפר תכנונים המיועדים לייצור. כדי למדוד את ההתקדמות ביכולות תכנון השבבים מדור מודלים אחד למשנהו, בדקנו כל מודל על שתי ליבות RISC-V של 32 סיביות בקוד פתוח. PicoRV32 היא ליבה קומפקטית המיועדת לשבבים הניתנים לתכנות מחדש, המכונים FPGA. OpenTitan משתמשת ב-Ibex כמעבד המשובץ בשבב האבטחה שלה. כל אחת מהן היא ליבת מעבד מלאה לעומסי עבודה של מערכות משובצות ברמת מיקרו-בקר.

נתנו לכל מודל את תיאור החומרה המקורי של כל ליבה וביקשנו ממנו להגדיל את התפוקה (מספר ההוראות שהליבה יכולה לבצע בשנייה). למשל, שינוי עשוי לאפשר לליבה להשלים הוראה בפחות מחזורי שעון, אך להאריך את משך כל מחזור. מדידת התפוקה מביאה בחשבון את שתי ההשפעות.

בדקנו בסימולציה את הפלטים של כל תכנון. תכנונים שנכשלו בבדיקה או ששטחם עלה על פי 16 משטח הליבה המקורית קיבלו ציון אפס. בתכנונים שעברו את הבדיקות, מדדנו את מספר ההוראות למחזור שעון בעומסי עבודה שהוסתרו מהמודלים. חישבנו את הממוצע הגאומטרי על פני עומסי העבודה האלה, והכפלנו אותו בתדר השעון המרבי שהוערך באמצעות Yosys. כך קיבלנו אומדן של מספר ההוראות לשנייה. עבור כל ליבה, הענקנו ציון 1.0 לתפוקה הגבוהה ביותר שמדדנו תחת אותם אילוצים. התרשימים מציגים את הציון הממוצע על פני הריצות, כולל אלה שקיבלו ציון אפס.

בתקציב דומה של כ-112,000 טוקנים לריצה, GPT‑6.2 Astra השיג את הציון הממוצע הגבוה ביותר בשתי הליבות. גם GPT‑6.1 Sol השיג ציון גבוה יותר מ-GPT‑5.6 Sol בשתיהן.

בליבת PicoRV32 הקיימת, ל-GPT‑6.2 Astra הציון הממוצע הגבוה ביותר בתקציבים הגדולים יותר שניתנים להשוואה. בסביבות 112,000 טוקנים, הציון שלו גבוה בערך פי שניים מזה של GPT‑6 Astra.

בליבת Ibex הקיימת, הציון הממוצע של GPT‑6.2 Astra ממשיך לעלות ככל שתקציב הטוקנים שלו גדל. התוצאות של GPT‑6 Astra ושל GPT‑6.1 Sol קרובות יותר זו לזו.

תכנון ליבת RISC-V ממפרט

במשימה השנייה נתנו לכל מודל דרישות כתובות ותבניות מהקוד הפתוח, המראות כיצד הליבה מתחברת לשאר המערכת. המודל בחר כיצד הנתונים יעברו דרך הליבה וכיצד לחלק את העבודה לשלבים. לכל ליבה שמרנו על אותן בדיקות תקינות, הגדרות זיכרון וזיכרון מטמון ויעדי תפוקה כמו במשימת אופטימיזציית ה-RTL.

בתקציב של כ-112,000 טוקנים לריצה, כל חמשת המודלים השיגו ציונים גבוהים יותר כשעיצבו ליבה על סמך דרישות כתובות מאשר כשניסו לשפר את התכנון הקיים. הדבר היה נכון גם ל-PicoRV32 וגם ל-Ibex. השיפור של GPT‑6.2 Astra היה גדול יותר ב-Ibex מאשר ב-PicoRV32. ההערכה המלאה כללה 9,881 ריצות שקיבלו ציון, בשתי המשימות, בשתי הליבות ובכל תקציבי הטוקנים.

בתכנון המבוסס על מפרט PicoRV32, הציון הממוצע של GPT‑6.2 Astra עובר את 0.7 בסביבות 112,000 טוקנים, ועולה בשתי רמות התקציב הבאות שנבדקו.

בתכנון Ibex ממפרט, GPT‑6.2 Astra מגיע לציון ממוצע של כ-0.75 בסביבות 112,000 טוקנים. העקומה שלו נשארת מעל האחרות גם בתקציבים גבוהים יותר שנבדקו בכל המודלים.

תכנון על סמך דרישות כתובות מאפשר למודלים להשמיט תכונות שקיימות בליבות המקוריות, כגון מוני ביצועים והוראות נוספות. ייתכן שתרומתן של התכונות האלה לתפוקה בעומסי העבודה של הבדיקה קטנה, מה שעשוי להסביר חלק מהיתרון בציונים. דרישה לכלול את התכונות האלה, הגבלה מחמירה יותר על שטח המעגל ובדיקת תזמון לאחר סינתזה פיזית היו הופכות את הבדיקה למייצגת יותר של תכנון שבבים לייצור.

מה הלאה

הדגמנו שהמודלים שלנו יכולים לבחון ארכיטקטורות מעבדים חדשות במבחני RISC-V, ותרמנו שיפורים חדשים לתכנונים מתקדמים לייצור, כגון Jalapeño ומעבדי הדגל הגרפיים והמרכזיים של AMD מהדור הבא. כדי לבסס את פיתוח המודלים על כלי הערכה מהימנים ולהרחיב את מגוון אתגרי התכנון שבהם הם מטפלים, אנחנו משתפים פעולה עם Synopsys באימון GPT‑Synopsys⁠(נפתח בחלון חדש), מודל חדש, לשימוש בכלי האוטומציה לתכנון אלקטרוני (EDA) של Synopsys כפי שמשתמשים בהם מתכנני שבבים מומחים.