OpenAI

OpenAI മോഡലുകളിലൂടെ ചിപ്പ് രൂപകൽപ്പനയിൽ മുന്നേറ്റം

AI-യുടെ പ്രവർത്തനത്തിന് കരുത്തേകുന്ന ചിപ്പുകളെ OpenAI മോഡലുകൾ അതിവേഗം മെച്ചപ്പെടുത്തുകയാണ്. ഞങ്ങളുടെ ആദ്യ പ്രത്യേക ഇൻഫറൻസ് ചിപ്പായ Jalapeño-യുടെ വികസനം വേഗത്തിലാക്കാൻ OpenAI എൻജിനീയർമാർ ഞങ്ങളുടെ അത്യാധുനിക മോഡലുകൾ ഉപയോഗിച്ചതെങ്ങനെയെന്ന് ഓഗസ്റ്റിൽ⁠ ഞങ്ങൾ പങ്കുവെച്ചിരുന്നു. Jalapeño-യുടെ നേട്ടങ്ങൾക്ക് പിന്നിലെ വിദഗ്ധതല രൂപകൽപ്പനാ മെച്ചപ്പെടുത്തലുകളും, അതേ സമീപനത്തിലൂടെ AMD-യുമായി ചേർന്ന് മറ്റു കമ്പനികളുടെ ഹാർഡ്‌വെയറിൽ ഗണ്യമായ നേട്ടങ്ങൾ കൈവരിക്കുന്ന രീതിയും ഇവിടെ വിശദമായി പരിശോധിക്കുന്നു.

ചിപ്പ് രൂപകൽപ്പനയിലെ തുടക്കംമുതൽ അവസാനംവരെയുള്ള ജോലികൾ ചെയ്യാനുള്ള മോഡലിന്റെ കഴിവ് അളക്കാൻ, തുടർച്ചയായ തലമുറകളെ രണ്ട് ഓപ്പൺ സോഴ്‌സ് പ്രോസസ്സർ രൂപകൽപ്പനകളിൽ വിലയിരുത്തി. ഇതിൽ ശ്രദ്ധേയമായ കാര്യങ്ങൾ കണ്ടെത്തി. കഴിവുകളുടെ വികസനത്തിന് വിശ്വസനീയമായ മൂല്യനിർണയ സംവിധാനങ്ങൾ അടിത്തറയാക്കാൻ, എൻജിനീയർമാർ ചിപ്പുകൾ രൂപകൽപ്പന ചെയ്യാനും പരിശോധിക്കാനും ഉപയോഗിക്കുന്ന ഇലക്ട്രോണിക് ഡിസൈൻ ഓട്ടോമേഷൻ (EDA) ഉപകരണങ്ങളുമായി അത്യാധുനിക ബുദ്ധിശേഷി സംയോജിപ്പിക്കാൻ Synopsys-മായി സഹകരിക്കുന്നു.

Jalapeño-യുടെ കംപ്യൂട്ടിങ് ഘടകങ്ങൾ മെച്ചപ്പെടുത്തൽ

2025-ന്റെ തുടക്കത്തിൽ Jalapeño രൂപകൽപ്പന ചെയ്യാൻ GPT‑4o ഉപയോഗിച്ചുതുടങ്ങി. ആ ആദ്യകാല മോഡൽപോലും PPA-യിൽ ശ്രദ്ധേയമായ മെച്ചപ്പെടുത്തലുകൾക്കുള്ള വഴികൾ കണ്ടെത്തി. ഉദാഹരണത്തിന്:

സമാന്തര കംപ്യൂട്ടിങ് ജോലികൾ നിയന്ത്രിച്ച് നടപ്പാക്കുന്ന വെക്റ്റർ യൂണിറ്റിൽ, ഫ്ലോട്ടിങ് പോയിന്റ് സങ്കലന-ഗുണന ഘടകങ്ങൾ, പരിവർത്തന ഫങ്ഷനുകൾ, റിഡക്ഷൻ ലോജിക്, പ്രത്യേക ഫങ്ഷൻ യൂണിറ്റ് എന്നിവയിലാണ് ലാഭം കൈവരിച്ചത്. ലോജിക് നടപ്പാക്കാനുള്ള ബദൽ മാർഗങ്ങളും കണക്കുകൂട്ടലുകളെ പൈപ്പ്‌ലൈൻ ഘട്ടങ്ങളിലായി വിഭജിക്കുന്ന രീതികളും മോഡലുകൾ പരിശോധിച്ചു. ഹാർഡ്‌വെയർ പങ്കിടാനും ഇടക്കാല സംഭരണം കുറയ്ക്കാനുമുള്ള അവസരങ്ങൾ ഇതിലൂടെ കണ്ടെത്തി.

അങ്കഗണിത ഘടകമായ മാട്രിക്സ് യൂണിറ്റിൽ, ഫ്ലോട്ടിങ് പോയിന്റ് സങ്കലന-ഗുണന ഘടകങ്ങളിലും കുറഞ്ഞ സൂക്ഷ്മതയുള്ള ഡോട്ട് പ്രോഡക്റ്റ് സർക്യൂട്ടുകളിലും മെച്ചപ്പെടുത്തലുകൾ കൈവരിച്ചു. ഒരു ഗുണന ഘടകം പുനർരൂപകൽപ്പന ചെയ്തപ്പോൾ, സിന്തസിസിൽ സെൽ വിസ്തീർണം ഏകദേശം 15% കുറഞ്ഞു. ഒപ്പം കാലതാമസം രണ്ട് ക്ലോക്ക് ചക്രങ്ങളിൽനിന്ന് ഒന്നായി കുറഞ്ഞു. മറ്റൊരു സങ്കലന ഘടകത്തിന്റെ പുനർരൂപകൽപ്പനയിൽ, രണ്ട് ചക്രങ്ങളുടെ കാലതാമസം നിലനിർത്തിക്കൊണ്ട് സെൽ വിസ്തീർണം ഏകദേശം 15% കുറച്ചു. ഡോട്ട് പ്രോഡക്റ്റ് ലോജിക്കിലും പൈപ്പ്‌ലൈൻ ക്രമീകരണത്തിലും വരുത്തിയ കൂടുതൽ മെച്ചപ്പെടുത്തലുകൾ ഘടകത്തിലുടനീളം അധിക ലാഭം നൽകി.

Jalapeño-യുടെ മൊത്തത്തിലുള്ള രൂപകൽപ്പനയിൽ, മോഡൽ നിർദേശിച്ച മാറ്റങ്ങൾ സ്റ്റാൻഡേർഡ് സെൽ വിസ്തീർണം വെക്റ്റർ യൂണിറ്റിൽ ഏകദേശം 13%-വും മാട്രിക്സ് യൂണിറ്റിൽ 10%-വും കുറച്ചതായി സംഘം കണക്കാക്കുന്നു. Jalapeño-യുടെ സിലിക്കൺ ചിപ്പ് പ്രവർത്തനസജ്ജമാക്കുന്നതിനിടെ⁠ ഈ മെച്ചപ്പെടുത്തലുകൾ യഥാർഥ ചിപ്പിൽ സ്ഥിരീകരിച്ചു.

AMD-യുമായുള്ള ഞങ്ങളുടെ സഹകരണം

PPA മെച്ചപ്പെടുത്താൻ AMD-യുമായി സഹകരിച്ചപ്പോൾ, അവരുടെ മുൻനിര GPU IP-യിൽ ഇതിനകം ഏറെ മെച്ചപ്പെടുത്തിയ അടിസ്ഥാന രൂപകൽപ്പനകളെ അപേക്ഷിച്ച് 14% വരെ പുരോഗതി കണ്ടു. ചിപ്പിലെ സർക്യൂട്ടുകളെ വിവരിക്കുന്ന കോഡ് (SystemVerilog RTL) മാറ്റിയെഴുതി ഞങ്ങളുടെ മോഡൽ കൂടുതൽ മെച്ചപ്പെടുത്തലുകൾ കണ്ടെത്തി. ഏകദേശം ഒരു വർഷത്തെ പുരോഗതിയാണ് 5 മാസത്തിൽ താഴെ സമയംകൊണ്ട് കൈവരിച്ചത്—ചിപ്പ് രൂപകൽപ്പനയുടെ മുൻനിരയിൽ അഭൂതപൂർവമായ ഫലങ്ങൾ. അടുത്തിടെ നിർമാണത്തിന് നൽകിയ ഒരു രൂപകൽപ്പനയിൽ AMD ഇതിനകം ഈ മാറ്റങ്ങളിൽ ചിലത് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഭാവി പതിപ്പുകളിൽ ഉപയോഗിക്കാൻ മറ്റു മാറ്റങ്ങൾ ഉൽപ്പാദന രൂപകൽപ്പനാ ഫയലുകളിലും ചേർത്തു.

വിദഗ്ധനായ ഒരു മൈക്രോആർക്കിടെക്റ്റിന്റെ തലത്തിൽ മോഡൽ RTL വിശകലനം ചെയ്യുന്നതായി ഞങ്ങൾ നിരീക്ഷിച്ചു. കണക്കുകൂട്ടലുകൾ നടത്തുന്നതോ പ്രവർത്തനങ്ങൾ നിയന്ത്രിക്കുന്നതോ ഡാറ്റ കൈമാറുന്നതോ ആയ സർക്യൂട്ടുകൾ മോഡലിന് മാറ്റിയെഴുതാനാകും. ഓരോ മാറ്റിയെഴുത്തും ഘടകത്തിന്റെ പ്രവർത്തനസ്വഭാവം നിലനിർത്തുന്നുണ്ടെന്ന് ഉറപ്പാക്കാനും ഊർജോപയോഗം, പ്രകടനം, വിസ്തീർണം എന്നിവയിലെ നേട്ടകോട്ടങ്ങൾ വിലയിരുത്താനും അത് Synopsys ഉപകരണങ്ങൾ ഉപയോഗിച്ചു.

ഞങ്ങളുടെ മോഡൽ എഴുതിയ രൂപകൽപ്പനകൾ ഉപയോഗിച്ച്, വരാനിരിക്കുന്ന അടുത്ത തലമുറ മുൻനിര CPU-യുടെ പ്രധാന ഘടകങ്ങളിൽ PPA-യിൽ ഒറ്റയക്ക ശതമാന നേട്ടങ്ങളും AMD സ്ഥിരീകരിച്ചു. ഏറ്റവും മെച്ചപ്പെടുത്തിയ അടിസ്ഥാന രൂപകൽപ്പനയുമായി താരതമ്യം ചെയ്യുമ്പോൾ, GPU-യിലും CPU-യിലും കൈവരിച്ച നേട്ടങ്ങൾക്ക് പുറമേ ഭാവിയിൽ കൂടുതൽ PPA മെച്ചപ്പെടുത്തലുകൾ പ്രതീക്ഷിക്കുന്നു.

RISC-V കോറുകൾ മെച്ചപ്പെടുത്തൽ

Jalapeño-യിലും AMD ചിപ്പുകളിലും ലഭിച്ച ഫലങ്ങൾ, ഉൽപ്പാദനത്തിനുള്ള രൂപകൽപ്പനകൾ മെച്ചപ്പെടുത്താൻ മോഡലുകൾക്ക് കഴിയുമെന്ന് കാണിക്കുന്നു. ഒരു മോഡൽ തലമുറയിൽനിന്ന് അടുത്തതിലേക്കുള്ള ചിപ്പ് രൂപകൽപ്പനാ ശേഷിയുടെ പുരോഗതി അളക്കാൻ, ഓരോ മോഡലിനെയും രണ്ട് ഓപ്പൺ സോഴ്‌സ് 32-ബിറ്റ് RISC-V കോറുകളിൽ പരീക്ഷിച്ചു. FPGA എന്ന് വിളിക്കുന്ന, വീണ്ടും പ്രോഗ്രാം ചെയ്യാവുന്ന ചിപ്പുകൾക്കായി രൂപകൽപ്പന ചെയ്ത ഒതുക്കമുള്ള കോറാണ് PicoRV32. OpenTitan അതിന്റെ സുരക്ഷാ ചിപ്പിലെ എംബഡഡ് പ്രോസസ്സറായി Ibex ഉപയോഗിക്കുന്നു. എംബഡഡ്, മൈക്രോകൺട്രോളർ വിഭാഗങ്ങളിലെ ജോലിഭാരങ്ങൾക്കായുള്ള സമ്പൂർണ പ്രോസസ്സർ കോറാണ് ഇവ ഓരോന്നും.

ഓരോ കോറിന്റെയും യഥാർഥ ഹാർഡ്‌വെയർ വിവരണം ഓരോ മോഡലിനും നൽകി, ത്രൂപുട്ട് (കോറിന് സെക്കൻഡിൽ നടപ്പാക്കാവുന്ന നിർദേശങ്ങളുടെ എണ്ണം) വർധിപ്പിക്കാൻ ആവശ്യപ്പെട്ടു. ഉദാഹരണത്തിന്, ഒരു മാറ്റം നിർദേശം പൂർത്തിയാക്കാൻ വേണ്ട ക്ലോക്ക് ചക്രങ്ങളുടെ എണ്ണം കുറച്ചേക്കാം. എന്നാൽ ഓരോ ചക്രത്തിനും കൂടുതൽ സമയമെടുത്തേക്കാം. ത്രൂപുട്ട് അളക്കുമ്പോൾ ഈ രണ്ട് ഫലങ്ങളും കണക്കിലെടുക്കപ്പെടുന്നു.

ഓരോ രൂപകൽപ്പനയുടെയും ഫലങ്ങൾ സിമുലേഷനിൽ പരിശോധിച്ചു. ഒരു പരിശോധനയിൽ പരാജയപ്പെടുകയോ യഥാർഥ കോറിന്റെ വിസ്തീർണത്തിന്റെ 16 മടങ്ങിലധികം ഉപയോഗിക്കുകയോ ചെയ്ത രൂപകൽപ്പനകൾക്ക് പൂജ്യം സ്കോർ നൽകി. പരിശോധന വിജയിച്ച രൂപകൽപ്പനകളിൽ, മോഡലുകൾക്ക് വെളിപ്പെടുത്താത്ത ജോലിഭാരങ്ങൾ നൽകി ഓരോ ക്ലോക്ക് ചക്രത്തിലും നടപ്പാക്കുന്ന നിർദേശങ്ങളുടെ എണ്ണം അളന്നു. ആ ജോലിഭാരങ്ങളിലെ അളവുകളുടെ ജ്യാമിതീയ ശരാശരി എടുത്ത്, Yosys ഉപയോഗിച്ച് കണക്കാക്കിയ പരമാവധി ക്ലോക്ക് ആവൃത്തികൊണ്ട് ഗുണിച്ചു. ഇതിലൂടെ സെക്കൻഡിൽ നടപ്പാക്കുന്ന നിർദേശങ്ങളുടെ ഏകദേശ എണ്ണം ലഭിച്ചു. ഓരോ കോറിലും ഒരേ നിയന്ത്രണങ്ങൾക്കുള്ളിൽ നിരീക്ഷിച്ച ഏറ്റവും മികച്ച ത്രൂപുട്ടിന് 1.0 എന്ന സ്കോർ നൽകി. പൂജ്യം സ്കോർ നേടിയവ ഉൾപ്പെടെ എല്ലാ പരീക്ഷണങ്ങളുടെയും ശരാശരി സ്കോറാണ് ചാർട്ടുകളിൽ കാണിക്കുന്നത്.

ഓരോ പരീക്ഷണത്തിനും ഏകദേശം 112,000 ടോക്കൺ എന്ന താരതമ്യയോഗ്യമായ പരിധിയിൽ, രണ്ട് കോറുകളിലും ഏറ്റവും ഉയർന്ന ശരാശരി സ്കോർ GPT‑6.2 Astra നേടി. രണ്ടിലും GPT‑6.1 Sol, GPT‑5.6 Sol-നെക്കാൾ ഉയർന്ന സ്കോറും നേടി.

നിലവിലുള്ള PicoRV32 കോറിൽ, താരതമ്യയോഗ്യമായ ഉയർന്ന ടോക്കൺ പരിധികളിൽ ഏറ്റവും ഉയർന്ന ശരാശരി സ്കോർ GPT‑6.2 Astra-യ്ക്കാണ്. ഏകദേശം 112,000 ടോക്കണിൽ അതിന്റെ സ്കോർ GPT‑6 Astra-യുടേതിന്റെ ഏതാണ്ട് ഇരട്ടിയാണ്.

നിലവിലുള്ള Ibex കോറിൽ, GPT‑6.2 Astra-യ്ക്ക് അനുവദിക്കുന്ന ടോക്കണുകളുടെ എണ്ണം ഉയരുന്നതിനനുസരിച്ച് അതിന്റെ ശരാശരി സ്കോർ തുടർന്നും വർധിക്കുന്നു. GPT‑6 Astra-യുടെയും GPT‑6.1 Sol-ന്റെയും സ്കോറുകൾ തമ്മിൽ കൂടുതൽ അടുത്തുനിൽക്കുന്നു.

നിർദിഷ്ട ആവശ്യകതകളിൽ നിന്ന് RISC-V കോർ രൂപകൽപ്പന ചെയ്യൽ

രണ്ടാമത്തെ ജോലിക്കായി, ഓരോ മോഡലിനും രേഖാമൂലമുള്ള ആവശ്യകതകളും കോർ സിസ്റ്റത്തിന്റെ ബാക്കി ഭാഗങ്ങളുമായി എങ്ങനെ ബന്ധപ്പെടുന്നുവെന്ന് കാണിക്കുന്ന ഓപ്പൺ സോഴ്‌സ് കോഡിലെ മാതൃകകളും നൽകി. കോറിലൂടെ ഡാറ്റ എങ്ങനെ നീങ്ങണമെന്നും ജോലി എങ്ങനെ ഘട്ടങ്ങളായി വിഭജിക്കണമെന്നും മോഡൽ തീരുമാനിച്ചു. ഓരോ കോറിന്റെയും കൃത്യതാ പരിശോധനകൾ, മെമ്മറി-കാഷെ ക്രമീകരണങ്ങൾ, ത്രൂപുട്ട് ലക്ഷ്യങ്ങൾ എന്നിവ RTL മെച്ചപ്പെടുത്തൽ ജോലിയിലേതുപോലെതന്നെ നിലനിർത്തി.

ഓരോ പരീക്ഷണത്തിനും ഏകദേശം 112,000 ടോക്കൺ നൽകിയപ്പോൾ, നിലവിലുള്ള രൂപകൽപ്പന മെച്ചപ്പെടുത്താൻ ശ്രമിച്ചതിനെക്കാൾ ഉയർന്ന സ്കോറാണ് രേഖാമൂലമുള്ള ആവശ്യകതകളിൽ നിന്ന് കോർ രൂപകൽപ്പന ചെയ്തപ്പോൾ അഞ്ച് മോഡലുകളും നേടിയത്. PicoRV32-യിലും Ibex-ലും ഇത് ശരിയായിരുന്നു. PicoRV32-യെക്കാൾ Ibex-ൽ GPT‑6.2 Astra കൂടുതൽ നേട്ടം കൈവരിച്ചു. രണ്ട് ജോലികളും രണ്ട് കോറുകളും എല്ലാ ടോക്കൺ പരിധികളും ചേർന്ന്, സ്കോർ നൽകിയ 9,881 പരീക്ഷണങ്ങൾ പൂർണ മൂല്യനിർണയത്തിൽ ഉൾപ്പെട്ടു.

PicoRV32-യുടെ നിർദിഷ്ട ആവശ്യകതകളിൽ നിന്ന് ആരംഭിക്കുമ്പോൾ, ഏകദേശം 112,000 ടോക്കണിൽ GPT‑6.2 Astra-യുടെ ശരാശരി സ്കോർ 0.7 കടക്കുന്നു. തുടർന്ന് പരിശോധിച്ച രണ്ട് ഉയർന്ന ടോക്കൺ പരിധികളിലും കൂടുതൽ സ്കോർ നേടുന്നു.

നിർദിഷ്ട ആവശ്യകതകളിൽ നിന്ന് Ibex രൂപകൽപ്പന ചെയ്യുമ്പോൾ, ഏകദേശം 112,000 ടോക്കണിൽ GPT‑6.2 Astra ശരാശരി 0.75 സ്കോർ നേടുന്നു. മോഡലുകൾക്ക് ഒരുപോലെ അനുവദിച്ച ഉയർന്ന ടോക്കൺ പരിധികളിലും അതിന്റെ വക്രം മറ്റുള്ളവയ്ക്ക് മുകളിൽ തുടരുന്നു.

രേഖാമൂലമുള്ള ആവശ്യകതകളിൽ നിന്ന് ആരംഭിക്കുമ്പോൾ, യഥാർഥ കോറുകളിലുള്ള പ്രകടന കൗണ്ടറുകളും അധിക നിർദേശങ്ങളും പോലുള്ള സവിശേഷതകൾ ഒഴിവാക്കാൻ മോഡലുകൾക്ക് അവസരം ലഭിക്കുന്നു. പരീക്ഷണ ജോലിഭാരങ്ങളിലെ ത്രൂപുട്ട് മെച്ചപ്പെടുത്താൻ ആ സവിശേഷതകൾ കാര്യമായി സഹായിക്കണമെന്നില്ല. ഉയർന്ന സ്കോറിന്റെ ഒരു കാരണം ഇതാകാം. ആ സവിശേഷതകൾ നിർബന്ധമാക്കുകയും സർക്യൂട്ട് വിസ്തീർണത്തിന് കൂടുതൽ കർശനമായ പരിധി നിശ്ചയിക്കുകയും ഭൗതിക സിന്തസിസിനുശേഷം സമയക്രമം പരിശോധിക്കുകയും ചെയ്താൽ, പരീക്ഷണം ഉൽപ്പാദന ചിപ്പ് രൂപകൽപ്പനയെ കൂടുതൽ കൃത്യമായി പ്രതിനിധീകരിക്കും.

അടുത്തത് എന്താണ്

RISC-V മൂല്യനിർണയങ്ങളിൽ പുതിയ പ്രോസസ്സർ ആർക്കിടെക്ചറുകൾ പര്യവേക്ഷണം ചെയ്യാൻ ഞങ്ങളുടെ മോഡലുകൾക്ക് കഴിയുമെന്ന് തെളിയിച്ചു. Jalapeño, AMD-യുടെ അടുത്ത തലമുറ മുൻനിര GPU, CPU എന്നിവ പോലുള്ള സങ്കീർണമായ ഉൽപ്പാദന രൂപകൽപ്പനകളിലും പുതുതായി മെച്ചപ്പെടുത്തലുകൾ കൈവരിച്ചു. മോഡൽ വികസനത്തിന് വിശ്വസനീയമായ മൂല്യനിർണയ സംവിധാനങ്ങൾ അടിത്തറയാക്കാനും കൂടുതൽ രൂപകൽപ്പനാ വെല്ലുവിളികൾ നേരിടാനും ഞങ്ങൾ Synopsys-മായി സഹകരിക്കുന്നു. വിദഗ്ധ ചിപ്പ് ഡിസൈനർമാരെപ്പോലെ Synopsys ഇലക്ട്രോണിക് ഡിസൈൻ ഓട്ടോമേഷൻ (EDA) ഉപകരണങ്ങൾ ഉപയോഗിക്കാൻ GPT‑Synopsys⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) എന്ന പുതിയ മോഡലിനെ പരിശീലിപ്പിക്കുകയാണ് ലക്ഷ്യം.