OpenAI

18 листопада 2026 р.

ДослідженняПублікація

Удосконалюємо проєктування чипів із моделями OpenAI

Моделі OpenAI швидко вдосконалюють чипи, на яких працює ШІ. У серпні⁠ ми розповіли, як інженери OpenAI використали наші передові моделі, щоб прискорити розробку Jalapeño — нашого першого власного чипа для інференсу. Тут ми докладніше розглянемо вдосконалення проєкту на експертному рівні, завдяки яким покращилися показники Jalapeño, і розповімо, як разом з AMD застосовуємо той самий підхід для суттєвого покращення апаратного забезпечення інших виробників.

Щоб оцінити здатність моделей виконувати повний цикл проєктування чипів, ми протестували послідовні покоління моделей на двох проєктах процесорів із відкритим кодом і отримали цікаві результати. А щоб розвивати ці можливості, спираючись на надійні засоби оцінювання, ми співпрацюємо із Synopsys: інтегруємо передовий ШІ з інструментами автоматизації проєктування електроніки (EDA), які інженери вже використовують для проєктування та перевірки чипів.

Удосконалення обчислювальних блоків Jalapeño

На початку 2025 року ми почали використовувати GPT‑4o для допомоги в проєктуванні Jalapeño. Навіть ця рання модель знайшла способи суттєво покращити енергоспоживання, продуктивність і площу (PPA), зокрема:

У векторному блоці, який керує паралельними обчисленнями та виконує їх, економії вдалося досягти завдяки суматорам і помножувачам із рухомою комою, функціям перетворення, логіці редукції та блоку спеціальних функцій. Моделі досліджували як альтернативні реалізації логіки, так і способи розподілу обчислень між ступенями конвеєра, знаходячи можливості спільного використання апаратних ресурсів і зменшення обсягу проміжного зберігання.

У матричному блоці — арифметичному компоненті — загальний ефект дали вдосконалення суматорів і помножувачів із рухомою комою, а також схем скалярного добутку низької точності. Один із перероблених помножувачів після синтезу займав приблизно на 15% меншу площу комірок, а його затримка скоротилася з двох тактів до одного. Окреме перепроєктування суматора зменшило площу комірок приблизно на 15%, зберігши затримку у два такти. Подальші вдосконалення логіки скалярного добутку та організації конвеєра забезпечили додаткову економію ресурсів у всьому блоці.

За оцінкою команди, загалом під час проєктування Jalapeño запропоновані моделями зміни зменшили площу стандартних комірок приблизно на 13% у векторному блоці та на 10% у матричному. Ефективність цих оптимізацій підтвердили на реальному чипі під час першого запуску й налагодження Jalapeño⁠.

Наша співпраця з AMD

У співпраці з AMD над покращенням PPA ми досягли поліпшення до 14% для IP-блоків флагманського GPU порівняно з уже ретельно оптимізованими базовими версіями. Наша модель знайшла додаткові можливості для вдосконалення, переписуючи код, що описує схеми чипа (RTL мовою SystemVerilog). Це приблизно рік прогресу менш ніж за 5 місяців — безпрецедентний результат для найсучасніших розробок у проєктуванні чипів. AMD уже включила частину цих змін у нещодавній проєкт, переданий у виробництво, а інші додала до робочих проєктних файлів для використання в майбутніх версіях.

Ми спостерігали, як модель аналізує RTL на рівні досвідченого фахівця з мікроархітектури. Модель може переписувати схеми, що виконують обчислення, керують операціями або переміщують дані. Вона використовувала інструменти Synopsys, щоб перевірити збереження поведінки блоку після кожної зміни й оцінити компроміси між енергоспоживанням, продуктивністю та площею.

AMD також підтвердила покращення PPA на кілька відсотків у ключових блоках свого майбутнього флагманського CPU наступного покоління завдяки проєктам, створеним нашою моделлю. Надалі ми очікуємо додаткових покращень PPA для GPU та CPU порівняно з найбільш оптимізованою базовою версією.

Оптимізація ядер RISC-V

Наші результати з Jalapeño та чипами AMD показують, що моделі здатні вдосконалювати проєкти, які використовуються у виробництві. Щоб виміряти розвиток можливостей проєктування чипів від одного покоління моделей до наступного, ми протестували кожну модель на двох 32-бітних ядрах RISC-V із відкритим кодом. PicoRV32 — це компактне ядро для перепрограмовуваних чипів, відомих як FPGA. OpenTitan використовує Ibex як вбудований процесор у своєму чипі безпеки. Кожне з них — повноцінне процесорне ядро для вбудованих систем із завданнями мікроконтролерного класу.

Ми надали кожній моделі початковий апаратний опис обох ядер і попросили збільшити пропускну здатність — кількість інструкцій, які ядро може виконати за секунду. Наприклад, зміна може дати ядру змогу виконувати інструкцію за меншу кількість тактів, але водночас збільшити тривалість кожного такту. Вимірювання пропускної здатності враховує обидва ефекти.

Ми перевірили вихідні дані кожного проєкту за допомогою симуляції. Проєкти отримували нуль балів, якщо не проходили перевірку або займали площу, що більш ніж у 16 разів перевищувала площу початкового ядра. Для проєктів, які пройшли перевірку, ми виміряли кількість інструкцій за такт на робочих навантаженнях, прихованих від моделей. Ми взяли середнє геометричне за цими навантаженнями та помножили його на максимальну тактову частоту, оцінену за допомогою Yosys. Так ми отримали оцінку кількості інструкцій за секунду. Для кожного ядра найкращій пропускній здатності, яку ми спостерігали за однакових обмежень, було присвоєно оцінку 1,0. На графіках показано середню оцінку за всіма запусками, зокрема й тими, що отримали нуль балів.

За порівнянного бюджету близько 112 000 токенів на запуск GPT‑6.2 Astra мала найвищу середню оцінку на обох ядрах. GPT‑6.1 Sol також перевершила GPT‑5.6 Sol на обох ядрах.

Для наявного ядра PicoRV32 GPT‑6.2 Astra має найвищу середню оцінку за більших порівнянних бюджетів. За бюджету близько 112 000 токенів її оцінка приблизно вдвічі вища, ніж у GPT‑6 Astra.

Для наявного ядра Ibex середня оцінка GPT‑6.2 Astra продовжує зростати зі збільшенням доступного їй бюджету. Результати GPT‑6 Astra та GPT‑6.1 Sol ближчі між собою.

Проєктування ядра RISC-V за специфікацією

У другому завданні ми надали кожній моделі письмові вимоги та шаблони з відкритого коду, що показували, як ядро з’єднується з рештою системи. Модель обирала, як дані переміщуватимуться всередині ядра та як розподілити роботу на етапи. Для кожного ядра ми залишили ті самі перевірки коректності, налаштування пам’яті й кешу та цільові показники пропускної здатності, що й у завданні з оптимізації RTL.

За бюджету близько 112 000 токенів на запуск усі п’ять моделей отримали вищі оцінки, коли проєктували ядро за письмовими вимогами, ніж коли намагалися вдосконалити наявний проєкт. Це стосувалося як PicoRV32, так і Ibex. Приріст оцінки GPT‑6.2 Astra був більшим на Ibex, ніж на PicoRV32. Повне оцінювання охопило 9 881 запуск з обох завдань, обох ядер і всіх бюджетів токенів.

Проєктуючи за специфікацією PicoRV32, GPT‑6.2 Astra перевищує середню оцінку 0,7 за бюджету близько 112 000 токенів і досягає вищих оцінок за двох наступних досліджених бюджетів.

Проєктуючи Ibex за специфікацією, GPT‑6.2 Astra досягає середньої оцінки близько 0,75 за бюджету близько 112 000 токенів. За більших однакових для моделей бюджетів її крива залишається вище за інші.

Проєктуючи за письмовими вимогами, моделі можуть не включати деякі функції початкових ядер, як-от лічильники продуктивності й додаткові інструкції. Ці функції можуть майже не впливати на пропускну здатність у тестових навантаженнях, що частково пояснює перевагу в оцінках. Обов’язкова наявність цих функцій, жорсткіше обмеження площі схеми та перевірка часових характеристик після фізичного синтезу зробили б тест ближчим до умов проєктування чипів для виробництва.

Що далі

Ми продемонстрували, що наші моделі здатні досліджувати нові процесорні архітектури в тестах RISC-V, і внесли цілком нові вдосконалення у складні виробничі проєкти, зокрема Jalapeño та флагманські GPU й CPU наступного покоління від AMD. Щоб розвивати моделі на основі надійних засобів оцінювання й розширити коло завдань проєктування, ми співпрацюємо із Synopsys над навчанням нової моделі GPT‑Synopsys⁠(відкривається у новому вікні) використовувати інструменти автоматизації проєктування електроніки (EDA) від Synopsys так, як це роблять досвідчені проєктувальники чипів.