OpenAI

2026 m. lapkričio 18 d.

Moksliniai tyrimaiPublikacija

Lustų projektavimo pažanga pasitelkiant „OpenAI“ modelius

„OpenAI“ modeliai sparčiai tobulina lustus, kuriais grindžiamas DI veikimas. Rugpjūtį⁠ pasakojome, kaip „OpenAI“ inžinieriai pasitelkė mūsų priešakinius modelius, kad paspartintų mūsų pirmojo specializuoto išvedimo lusto „Jalapeño“ kūrimą. Čia išsamiau aptariame ekspertinio lygio projektavimo patobulinimus, lėmusius „Jalapeño“ pažangą, ir tai, kaip tą patį metodą taikome bendradarbiaudami su AMD, kad gerokai patobulintume kitų gamintojų aparatinę įrangą.

Siekdami įvertinti modelių gebėjimą atlikti visą lustų projektavimo procesą apimančias užduotis, išbandėme kelių iš eilės kartų modelius su dviem atvirojo kodo procesorių projektais ir gavome įdomių rezultatų. O kad gebėjimų tobulinimas būtų grindžiamas patikimomis vertinimo priemonėmis, bendradarbiaujame su „Synopsys“: integruojame priešakinio DI galimybes su elektroninio projektavimo automatizavimo (EDA) įrankiais, kuriuos inžinieriai jau naudoja lustams projektuoti ir tikrinti.

„Jalapeño“ skaičiavimo blokų tobulinimas

GPT‑4o pradėjome naudoti projektuodami „Jalapeño“ 2025 m. pradžioje. Net šis ankstyvasis modelis rado būdų reikšmingai pagerinti PPA rodiklius, pavyzdžiui:

Vektoriniame bloke, kuris valdo ir vykdo lygiagrečiojo skaičiavimo užduotis, sutaupyti padėjo slankiojo kablelio sumatoriai ir daugintuvai, konvertavimo funkcijos, redukcijos logika ir specialiųjų funkcijų blokas. Modeliai tyrė ir alternatyvius logikos įgyvendinimo būdus, ir skaičiavimų paskirstymą konvejerio etapams. Taip jie rado galimybių pakartotinai naudoti tuos pačius aparatinės įrangos išteklius ir sumažinti tarpinių duomenų saugojimo poreikį.

Matriciniame bloke, atliekančiame aritmetines operacijas, bendrą pagerėjimą lėmė slankiojo kablelio sumatorių, daugintuvų ir mažo tikslumo skaliarinės sandaugos grandinių patobulinimai. Vienas pertvarkytas daugintuvas po sintezės užėmė maždaug 15 % mažesnį elementų plotą, o jo delsa sumažėjo nuo dviejų taktų iki vieno. Atskirai pertvarkius sumatorių, elementų plotas sumažėjo maždaug 15 %, išlaikant dviejų taktų delsą. Papildomai patobulinus skaliarinės sandaugos logiką ir konvejerio organizavimą, išteklių poreikis visame bloke dar sumažėjo.

Komandos vertinimu, per visą „Jalapeño“ projektavimo procesą modelių pasiūlyti pakeitimai sumažino standartinių elementų plotą maždaug 13 % vektoriniame bloke ir 10 % matriciniame bloke. Šie optimizavimai buvo patvirtinti fiziniame luste per pirminį „Jalapeño“ lusto paleidimą ir derinimą⁠.

Mūsų bendradarbiavimas su AMD

Bendradarbiaudami su AMD gerinome PPA rodiklius ir pasiekėme iki 14 % pagerėjimą pavyzdinio GPU IP blokuose, palyginti su jau itin optimizuotais pradiniais variantais. Mūsų modelis rado papildomų patobulinimų perrašydamas lusto grandines aprašantį kodą („SystemVerilog“ RTL). Tai maždaug metų pažanga, pasiekta per mažiau nei 5 mėnesius – precedento neturintys rezultatai pažangiausių lustų projektavimo srityje. Kai kuriuos iš šių pakeitimų AMD jau įtraukė į neseniai gamybai perduotą projektą, o kitus pridėjo prie gamybinių projektavimo failų, kad galėtų panaudoti būsimose versijose.

Pastebėjome, kad modelis analizuoja RTL mikroarchitektūros eksperto lygiu. Modelis gali perrašyti grandines, kurios atlieka skaičiavimus, valdo operacijas arba perduoda duomenis. Naudodamas „Synopsys“ įrankius, jis tikrino, ar po kiekvieno perrašymo blokas veikia taip pat, ir vertino kompromisus tarp energijos sąnaudų, našumo bei ploto.

AMD taip pat patvirtino, kad mūsų modelio sukurti projektai keliais procentais pagerino PPA rodiklius pagrindiniuose būsimo naujos kartos pavyzdinio CPU blokuose. Ateityje tikimės dar labiau pagerinti GPU ir CPU PPA rodiklius, palyginti su labiausiai optimizuotais pradiniais variantais.

RISC-V branduolių optimizavimas

Mūsų pasiekti rezultatai su „Jalapeño“ ir AMD lustais rodo, kad modeliai gali tobulinti gamybai skirtus projektus. Siekdami įvertinti, kaip lustų projektavimo gebėjimai tobulėja keičiantis modelių kartoms, kiekvieną modelį išbandėme su dviem atvirojo kodo 32 bitų RISC-V branduoliais. „PicoRV32“ yra kompaktiškas branduolys, skirtas perprogramuojamiems lustams, vadinamiems FPGA. „OpenTitan“ savo saugumo luste naudoja „Ibex“ kaip įterptinį procesorių. Abu yra visaverčiai procesorių branduoliai, skirti įterptinių sistemų mikrovaldiklių klasės užduotims.

Kiekvienam modeliui pateikėme abiejų branduolių pradinius aparatinės įrangos aprašus ir paprašėme padidinti pralaidumą – instrukcijų skaičių, kurį branduolys gali įvykdyti per sekundę. Pavyzdžiui, pakeitimas gali leisti branduoliui įvykdyti instrukciją per mažiau taktų, bet pailginti kiekvieno takto trukmę. Matuojant pralaidumą atsižvelgiama į abu šiuos poveikius.

Kiekvieno projekto išvestis patikrinome simuliuodami jo veikimą. Projektai gaudavo nulį balų, jei neišlaikydavo patikros arba užimdavo daugiau nei 16 kartų didesnį plotą už pradinį branduolį. Patikrą išlaikiusiuose projektuose matavome per taktą įvykdomų instrukcijų skaičių, naudodami modeliams neatskleistas užduotis. Apskaičiavome šių užduočių rezultatų geometrinį vidurkį ir padauginome jį iš didžiausio taktinio dažnio, įvertinto naudojant „Yosys“. Taip apytiksliai nustatėme per sekundę įvykdomų instrukcijų skaičių. Kiekvieno branduolio didžiausiam pralaidumui, stebėtam taikant tuos pačius apribojimus, priskyrėme 1,0 balo įvertį. Diagramose pateikiamas visų bandymų balų vidurkis, įskaitant bandymus, įvertintus nuliu.

Skyrus panašų, maždaug 112 000 žetonų biudžetą vienam bandymui, GPT‑6.2 Astra pasiekė aukščiausią vidutinį balą su abiem branduoliais. GPT‑6.1 Sol taip pat pranoko GPT‑5.6 Sol su abiem branduoliais.

Tobulinant esamą „PicoRV32“ branduolį ir skiriant didesnius panašius biudžetus, GPT‑6.2 Astra pasiekia aukščiausią vidutinį balą. Ties maždaug 112 000 žetonų riba jo balas yra apie du kartus didesnis nei GPT‑6 Astra.

Tobulinant esamą „Ibex“ branduolį, GPT‑6.2 Astra vidutinis balas toliau kyla didėjant jo panaudojamam žetonų biudžetui. GPT‑6 Astra ir GPT‑6.1 Sol rezultatai artimesni vienas kitam.

RISC-V branduolio projektavimas pagal specifikaciją

Antrojoje užduotyje kiekvienam modeliui pateikėme rašytinius reikalavimus ir atvirojo kodo šablonus, rodančius, kaip branduolys jungiasi su likusia sistema. Modelis parinko, kaip branduolyje judės duomenys ir kaip darbas bus padalytas į etapus. Kiekvienam branduoliui taikėme tas pačias teisingumo patikras, atminties ir podėlio nuostatas bei pralaidumo tikslus kaip ir RTL optimizavimo užduotyje.

Vienam bandymui skyrus maždaug 112 000 žetonų, visi penki modeliai gavo aukštesnius balus projektuodami branduolį pagal rašytinius reikalavimus nei bandydami patobulinti esamą projektą. Tai pasitvirtino ir su „PicoRV32“, ir su „Ibex“. GPT‑6.2 Astra rezultatai labiau pagerėjo su „Ibex“ nei su „PicoRV32“. Iš viso vertinimas apėmė 9 881 įvertintą bandymą su abiem užduotimis, abiem branduoliais ir visais žetonų biudžetais.

Projektuojant pagal „PicoRV32“ specifikaciją, GPT‑6.2 Astra vidutinis balas viršija 0,7 ties maždaug 112 000 žetonų riba ir dar padidėja skyrus kitus du didesnius tirtus biudžetus.

Projektuojant „Ibex“ pagal specifikaciją, GPT‑6.2 Astra vidutinis balas siekia maždaug 0,75 ties 112 000 žetonų riba. Skyrus didesnius vienodus biudžetus, jo kreivė išlieka aukščiau už kitų modelių kreives.

Projektuodami pagal rašytinius reikalavimus, modeliai gali atsisakyti pradinių branduolių funkcijų, pavyzdžiui, našumo skaitiklių ir papildomų instrukcijų. Šios funkcijos gali menkai pagerinti pralaidumą atliekant bandymų užduotis, tad tai galėtų iš dalies paaiškinti aukštesnius balus. Jei šios funkcijos būtų privalomos, būtų nustatyta griežtesnė grandinės ploto riba ir tikrinami laikiniai parametrai po fizinės sintezės, bandymas geriau atspindėtų gamybai skirtų lustų projektavimą.

Kas toliau

Parodėme, kad mūsų modeliai gali tirti naujas procesorių architektūras atlikdami RISC-V vertinimo užduotis. Taip pat papildomai patobulinome jau pažangius gamybai skirtus projektus, tokius kaip „Jalapeño“ ir AMD naujos kartos pavyzdiniai GPU bei CPU. Kad modelių kūrimą grįstume patikimomis vertinimo priemonėmis ir spręstume įvairesnius projektavimo iššūkius, bendradarbiaujame su „Synopsys“ mokydami naują modelį GPT‑Synopsys⁠(atsidaro naujame lange) naudotis „Synopsys“ elektroninio projektavimo automatizavimo (EDA) įrankiais taip, kaip jais naudojasi patyrę lustų projektuotojai.