OpenAI

OpenAI மாடல்களுடன் சிப் வடிவமைப்பு மேம்பாடு

செயற்கை நுண்ணறிவை இயக்கும் சிப்களை OpenAI மாடல்கள் விரைவாக மேம்படுத்தி வருகின்றன. எங்களது முதல் தனிப்பயன் அனுமானச் சிப்பான Jalapeño-வின் உருவாக்கத்தை விரைவுபடுத்த, OpenAI பொறியாளர்கள் எங்களது அதிநவீன மாடல்களை எவ்வாறு பயன்படுத்தினர் என்பதை ஆகஸ்டில் பகிர்ந்தோம்.⁠ Jalapeño-வின் மேம்பாடுகளுக்குப் பின்னுள்ள நிபுணத்துவம் மிக்க வடிவமைப்பு மாற்றங்களையும், அதே அணுகுமுறையை AMD உடன் இணைந்து பயன்படுத்தி மூன்றாம் தரப்பு வன்பொருளில் குறிப்பிடத்தக்க மேம்பாடுகளை எவ்வாறு வழங்குகிறோம் என்பதையும் இங்கு விரிவாகப் பார்க்கிறோம்.

சிப் வடிவமைப்புப் பணிகளைத் தொடக்கம் முதல் முடிவு வரை செய்யும் எங்கள் மாடலின் திறனை அளவிட, அதன் அடுத்தடுத்த தலைமுறைகளை இரண்டு திறந்த மூலச் செயலி வடிவமைப்புகளில் மதிப்பிட்டோம். இதில் சுவாரஸ்யமான முடிவுகள் கிடைத்தன. மேலும், நம்பகமான மதிப்பீட்டுக் கருவிகளின் அடிப்படையில் திறன்களை வளர்க்க, பொறியாளர்கள் ஏற்கெனவே சிப்களை வடிவமைக்கவும் சரிபார்க்கவும் பயன்படுத்தும் மின்னணு வடிவமைப்புத் தானியக்கக் (EDA) கருவிகளுடன் அதிநவீன நுண்ணறிவை ஒருங்கிணைக்க Synopsys உடன் இணைந்து பணியாற்றுகிறோம்.

Jalapeño-வின் கணக்கீட்டுத் தொகுதிகளை மேம்படுத்துதல்

2025 தொடக்கத்தில் Jalapeño-வை வடிவமைக்க உதவியாக GPT‑4o‑வைப் பயன்படுத்தத் தொடங்கினோம். அந்தத் தொடக்ககால மாடல்கூட மின்சக்தி, செயல்திறன், பரப்பளவு (PPA) ஆகியவற்றில் குறிப்பிடத்தக்க மேம்பாடுகளுக்கான வழிகளைக் கண்டறிந்தது. எடுத்துக்காட்டாக:

இணைக் கணக்கீட்டுப் பணிகளை நிர்வகித்து இயக்கும் திசையன் அலகில், மிதவைப் புள்ளிக் கூட்டிகள் மற்றும் பெருக்கிகள், மாற்றுச் செயல்பாடுகள், சுருக்கத் தர்க்கம், சிறப்புச் செயல்பாட்டு அலகு ஆகியவற்றில் சேமிப்புகள் கிடைத்தன. மாற்றுத் தர்க்கச் செயலாக்கங்களையும், தொடர்நிலைச் செயலாக்கத்தின் படிநிலைகளுக்கிடையே கணக்கீடுகளைப் பிரிக்கும் விதங்களையும் மாடல்கள் ஆராய்ந்தன. இதன் மூலம் வன்பொருளைப் பகிர்ந்து பயன்படுத்தவும் இடைநிலைச் சேமிப்பைக் குறைக்கவும் வாய்ப்புகளைக் கண்டறிந்தன.

எண்கணிதக் கூறான அணி அலகில், மிதவைப் புள்ளிக் கூட்டிகள், பெருக்கிகள், குறைந்த துல்லியப் புள்ளிப் பெருக்குச் சுற்றுகள் ஆகியவற்றில் செய்த மேம்பாடுகள் ஒன்றுசேர்ந்தன. ஒரு பெருக்கியின் மறுவடிவமைப்பு, சுற்றுத் தொகுப்பாக்கத்தில் செல் பரப்பளவைச் சுமார் 15% குறைத்ததுடன், தாமதத்தை இரண்டு கடிகாரச் சுழற்சிகளிலிருந்து ஒன்றாகக் குறைத்தது. வேறொரு கூட்டியின் மறுவடிவமைப்பு, அதன் இரண்டு சுழற்சித் தாமதத்தை மாற்றாமல் செல் பரப்பளவைச் சுமார் 15% குறைத்தது. புள்ளிப் பெருக்குத் தர்க்கத்திலும் தொடர்நிலைச் செயலாக்க அமைப்பிலும் செய்த கூடுதல் மேம்பாடுகள், தொகுதி முழுவதும் மேலும் சேமிப்புகளை அளித்தன.

ஒட்டுமொத்த Jalapeño வடிவமைப்பு முயற்சியில், மாடல் பரிந்துரைத்த மாற்றங்கள் நிலையான செல் பரப்பளவைத் திசையன் அலகில் சுமார் 13%, அணி அலகில் 10% குறைத்ததாகக் குழு மதிப்பிடுகிறது. Jalapeño சிலிக்கான் சிப்பை முதன்முதலில் இயக்கிச் சோதித்தபோது⁠, இந்த மேம்பாடுகள் உண்மையான சிலிக்கான் சிப்பில் உறுதிப்படுத்தப்பட்டன.

AMD உடனான எங்கள் கூட்டுப்பணி

PPA மேம்பாடுகளுக்காக AMD உடன் இணைந்து பணியாற்றியுள்ளோம். அதன் முதன்மை GPU IP-இல், ஏற்கெனவே பெரிதும் மேம்படுத்தப்பட்ட அடிப்படை வடிவமைப்புகளுடன் ஒப்பிடும்போது 14% வரை மேம்பாட்டைக் கண்டுள்ளோம். சிப்பின் சுற்றுகளை விவரிக்கும் குறியீட்டை (SystemVerilog RTL) மாற்றி எழுதி, எங்கள் மாடல் மேலும் மேம்பாடுகளைக் கண்டறிந்தது. ஓராண்டில் அடையக்கூடிய முன்னேற்றத்தை 5 மாதங்களுக்கும் குறைவான காலத்தில் எட்டியுள்ளோம். சிப் வடிவமைப்பின் முன்னணியில் இது முன்னெப்போதும் இல்லாத சாதனை. சமீபத்தில் உற்பத்திக்கு அனுப்பிய ஒரு வடிவமைப்பில் AMD ஏற்கெனவே இவற்றில் சில மாற்றங்களைச் சேர்த்துள்ளது. எதிர்காலப் பதிப்புகளில் பயன்படுத்துவதற்காக மற்ற மாற்றங்களைத் தனது உற்பத்தி வடிவமைப்புக் கோப்புகளில் சேர்த்துள்ளது.

நுண்கட்டமைப்பு நிபுணருக்கு இணையாக RTL குறித்துச் சிந்தித்து முடிவெடுக்கும் திறன் மாடலுக்கு இருப்பதைக் கண்டுள்ளோம். கணக்கீடுகளைச் செய்யும், செயல்பாடுகளைக் கட்டுப்படுத்தும் அல்லது தரவை நகர்த்தும் சுற்றுகளை மாடலால் மாற்றி எழுத முடியும். ஒவ்வொரு மாற்றத்திற்குப் பிறகும் தொகுதியின் செயல்பாடு மாறாமல் இருப்பதைச் சரிபார்க்கவும், மின்சக்தி, செயல்திறன், பரப்பளவு ஆகியவற்றில் ஏற்படும் ஆதாயங்களையும் இழப்புகளையும் மதிப்பிடவும் அது Synopsys கருவிகளைப் பயன்படுத்தியது.

எங்கள் மாடல் எழுதிய வடிவமைப்புகளைப் பயன்படுத்தி, விரைவில் வரவிருக்கும் தனது அடுத்த தலைமுறை முதன்மை CPU-வின் முக்கியத் தொகுதிகளில் ஒற்றை இலக்கச் சதவீத PPA மேம்பாடுகளையும் AMD உறுதிப்படுத்தியது. வருங்காலத்தில், மிக அதிகமாக மேம்படுத்தப்பட்ட அடிப்படை வடிவமைப்புடன் ஒப்பிடும்போதும் GPU மற்றும் CPU-வில் மேலும் PPA மேம்பாடுகளை எதிர்பார்க்கிறோம்.

RISC-V செயலி மையங்களை மேம்படுத்துதல்

Jalapeño மற்றும் AMD சிப்களில் கிடைத்த முடிவுகள், உற்பத்திக்கான வடிவமைப்புகளை மாடல்களால் மேம்படுத்த முடியும் என்பதைக் காட்டுகின்றன. ஒரு மாடல் தலைமுறையிலிருந்து அடுத்த தலைமுறைக்குச் சிப் வடிவமைப்புத் திறன்கள் எவ்வாறு முன்னேறுகின்றன என்பதை அளவிட, ஒவ்வொரு மாடலையும் இரண்டு திறந்த மூல 32-பிட் RISC-V செயலி மையங்களில் சோதித்தோம். PicoRV32 என்பது FPGA எனப்படும் மறுநிரலாக்கக்கூடிய சிப்களுக்காக வடிவமைக்கப்பட்ட சிறிய செயலி மையம். OpenTitan தனது பாதுகாப்புச் சிப்பில் Ibex-ஐ உட்பொதிந்த செயலியாகப் பயன்படுத்துகிறது. இவை ஒவ்வொன்றும் உட்பொதிந்த அமைப்புகள் மற்றும் நுண்கட்டுப்படுத்திகளுக்குரிய பணிச்சுமைகளுக்கான முழுமையான செயலி மையம்.

ஒவ்வொரு மையத்தின் அசல் வன்பொருள் விவரிப்பையும் ஒவ்வொரு மாடலுக்கும் கொடுத்து, த்ரூபுட்டை (மையம் ஒரு நொடியில் செயல்படுத்தக்கூடிய கட்டளைகளின் எண்ணிக்கையை) அதிகரிக்கச் சொன்னோம். எடுத்துக்காட்டாக, ஒரு மாற்றம் குறைவான கடிகாரச் சுழற்சிகளில் ஒரு கட்டளையை முடிக்க உதவலாம். ஆனால் ஒவ்வொரு சுழற்சிக்கும் அதிக நேரம் எடுக்கச் செய்யலாம். த்ரூபுட்டை அளவிடும்போது இந்த இரு விளைவுகளும் கணக்கில் கொள்ளப்படுகின்றன.

ஒவ்வொரு வடிவமைப்பின் வெளியீடுகளையும் உருவகப்படுத்தலில் சரிபார்த்தோம். ஒரு சரிபார்ப்பில் தோல்வியடைந்தாலோ, அசல் மையத்தின் பரப்பளவைவிட 16 மடங்குக்கும் அதிகமாகப் பயன்படுத்தினாலோ, அந்த வடிவமைப்புக்குப் பூஜ்ஜிய மதிப்பெண் வழங்கப்பட்டது. தேர்ச்சி பெற்ற வடிவமைப்புகளுக்கு, மாடல்களிடமிருந்து மறைக்கப்பட்ட பணிச்சுமைகளில் ஒவ்வொரு கடிகாரச் சுழற்சியிலும் செயல்படுத்தப்பட்ட கட்டளைகளின் எண்ணிக்கையை அளவிட்டோம். அந்தப் பணிச்சுமைகளின் அளவீடுகளுக்கு வடிவியல் சராசரியைக் கணக்கிட்டு, Yosys மூலம் மதிப்பிட்ட அதிகபட்சக் கடிகார அதிர்வெண்ணால் அதைப் பெருக்கினோம். இதன் மூலம் ஒரு நொடிக்குச் செயல்படுத்தப்படும் கட்டளைகளின் மதிப்பீடு கிடைத்தது. ஒவ்வொரு மையத்திற்கும், ஒரே கட்டுப்பாடுகளின்கீழ் நாங்கள் கண்ட சிறந்த த்ரூபுட்டுக்கு 1.0 மதிப்பெண் வழங்கினோம். பூஜ்ஜிய மதிப்பெண் பெற்றவை உட்பட அனைத்துச் சோதனை ஓட்டங்களின் சராசரி மதிப்பெண்ணை விளக்கப்படங்கள் காட்டுகின்றன.

ஒவ்வொரு ஓட்டத்திற்கும் சுமார் 112,000 டோக்கன்கள் என்ற ஒப்பிடத்தக்க ஒதுக்கீட்டில், இரு மையங்களிலும் GPT‑6.2 Astra அதிகபட்சச் சராசரி மதிப்பெண்ணைப் பெற்றது. GPT‑6.1 Sol-உம் இரண்டிலும் GPT‑5.6 Sol-ஐவிட அதிக மதிப்பெண் பெற்றது.

ஏற்கெனவே உள்ள PicoRV32 மையத்தில், ஒப்பிடத்தக்க அதிக டோக்கன் ஒதுக்கீடுகளில் GPT‑6.2 Astra அதிகபட்சச் சராசரி மதிப்பெண்ணைப் பெறுகிறது. சுமார் 112,000 டோக்கன்களில், அதன் மதிப்பெண் GPT‑6 Astra-வின் மதிப்பெண்ணைப்போல் சுமார் இருமடங்கு உள்ளது.

ஏற்கெனவே உள்ள Ibex மையத்தில், GPT‑6.2 Astra-வின் டோக்கன் ஒதுக்கீடு அதிகரிக்க அதிகரிக்க அதன் சராசரி மதிப்பெண்ணும் தொடர்ந்து உயர்கிறது. GPT‑6 Astra மற்றும் GPT‑6.1 Sol ஆகியவற்றின் மதிப்பெண்கள் ஒன்றுக்கொன்று நெருக்கமாக உள்ளன.

விவரக்குறிப்பிலிருந்து RISC-V செயலி மையத்தை வடிவமைத்தல்

இரண்டாவது பணிக்கு, எழுத்துப்பூர்வத் தேவைகளையும், மையம் அமைப்பின் பிற பகுதிகளுடன் எவ்வாறு இணைகிறது என்பதைக் காட்டும் திறந்த மூலக் குறியீட்டு வார்ப்புருக்களையும் ஒவ்வொரு மாடலுக்கும் வழங்கினோம். மையத்திற்குள் தரவு எவ்வாறு நகர வேண்டும், பணியை எவ்வாறு படிநிலைகளாகப் பிரிக்க வேண்டும் என்பதை மாடல் தேர்ந்தெடுத்தது. ஒவ்வொரு மையத்திற்கும், சரியான செயல்பாட்டை உறுதிப்படுத்தும் சோதனைகள், நினைவகம் மற்றும் இடைமாற்று நினைவக அமைப்புகள், த்ரூபுட் இலக்குகள் ஆகியவற்றை RTL மேம்படுத்தல் பணியில் இருந்தவாறே வைத்திருந்தோம்.

ஒவ்வொரு ஓட்டத்திற்கும் சுமார் 112,000 டோக்கன்கள் ஒதுக்கியபோது, ஏற்கெனவே உள்ள வடிவமைப்பை மேம்படுத்த முயன்றதைவிட, எழுத்துப்பூர்வத் தேவைகளிலிருந்து ஒரு மையத்தை வடிவமைத்தபோது ஐந்து மாடல்களும் அதிக மதிப்பெண் பெற்றன. இது PicoRV32 மற்றும் Ibex இரண்டுக்கும் பொருந்தியது. GPT‑6.2 Astra, PicoRV32-ஐவிட Ibex-இல் அதிக முன்னேற்றம் கண்டது. முழு மதிப்பீட்டில், இரு பணிகள், இரு மையங்கள் மற்றும் அனைத்து டோக்கன் ஒதுக்கீடுகளிலும் மதிப்பெண் வழங்கப்பட்ட 9,881 ஓட்டங்கள் அடங்கின.

PicoRV32 விவரக்குறிப்பிலிருந்து வடிவமைக்கும்போது, சுமார் 112,000 டோக்கன்களில் GPT‑6.2 Astra-வின் சராசரி மதிப்பெண் 0.7-ஐத் தாண்டுகிறது. அடுத்து மதிப்பிட்ட இரண்டு ஒதுக்கீடுகளிலும் மேலும் அதிக மதிப்பெண் பெறுகிறது.

Ibex-இல், விவரக்குறிப்பிலிருந்து வடிவமைக்கும்போது சுமார் 112,000 டோக்கன்களில் GPT‑6.2 Astra சுமார் 0.75 சராசரி மதிப்பெண்ணைப் பெறுகிறது. எல்லா மாடல்களுக்கும் ஒரே அளவில் வழங்கப்படும் அதிக ஒதுக்கீடுகளிலும் அதன் மதிப்பெண் வளைவு மற்றவற்றுக்கு மேலேயே உள்ளது.

எழுத்துப்பூர்வத் தேவைகளிலிருந்து தொடங்குவதால், அசல் மையங்களில் உள்ள செயல்திறன் எண்ணிகள், கூடுதல் கட்டளைகள் போன்ற அம்சங்களைத் தவிர்க்க மாடல்களுக்கு இடமளிக்கப்படுகிறது. சோதனைப் பணிச்சுமைகளில் த்ரூபுட்டை மேம்படுத்த அந்த அம்சங்கள் பெரிதும் உதவாமல் இருக்கலாம். மதிப்பெண் உயர்வின் ஒரு பகுதிக்கு இது காரணமாக இருக்கக்கூடும். அந்த அம்சங்களைக் கட்டாயமாக்குவது, சுற்றுப் பரப்பளவுக்கு மேலும் கடுமையான வரம்பை விதிப்பது, இயற்பியல் சுற்றுத் தொகுப்பாக்கத்திற்குப் பிறகு நேர அளவுகளைச் சரிபார்ப்பது ஆகியவை, உற்பத்திக்கான சிப் வடிவமைப்பை இன்னும் நெருக்கமாகப் பிரதிபலிக்கும் சோதனையாக இதை மாற்றும்.

அடுத்தது என்ன

RISC-V மதிப்பீடுகளில் எங்கள் மாடல்களால் புதிய செயலிக் கட்டமைப்புகளை ஆராய முடியும் என்பதை நிரூபித்துள்ளோம். மேலும், Jalapeño மற்றும் AMD-யின் அடுத்த தலைமுறை முதன்மை GPU, CPU போன்ற நுட்பமான உற்பத்தி வடிவமைப்புகளில் முற்றிலும் புதிய மேம்பாடுகளையும் செய்துள்ளோம். நம்பகமான மதிப்பீட்டுக் கருவிகளின் அடிப்படையில் மாடலை உருவாக்கவும், மேலும் பல வகையான வடிவமைப்புச் சவால்களுக்குத் தீர்வுகாணவும் Synopsys உடன் இணைந்து பணியாற்றுகிறோம். சிப் வடிவமைப்பு நிபுணர்களைப் போலவே Synopsys மின்னணு வடிவமைப்புத் தானியக்கக் (EDA) கருவிகளைப் பயன்படுத்த, GPT‑Synopsys⁠(புதிய சாளரத்தில் திறக்கும்) என்ற புதிய மாடலுக்குப் பயிற்சி அளிக்கிறோம்.

ஆசிரியர்/எழுத்தாளர்

OpenAI