IA que diseña chips

La IA de Google ha conseguido diseñar un chip igual que lo haría un equipo de ingenieros, pero mucho más deprisa. 

La IA cierra un círculo

Un conjunto de nuevos algoritmos creados por Google Brain es capaz de diseñar chips informáticos –específicamente adaptados para ejecutar software de IA– que superan ampliamente a los diseñados por expertos humanos. Además, este sistema funciona muy deprisa, reduciendo de manera drástica un proceso que normalmente viene a durar semanas o meses.

La base del diseño de los chips robóticos se sustenta en el aprendizaje automático, llamado aprendizaje por refuerzo profundo. Estos algoritmos imitan el funcionamiento del cerebro y ya han triunfado sobre el cerebro humano en juegos como el ajedrez o el Go.

Estos juegos han sido un entrenamiento infantil para esta IA, que ya está abordando cuestiones mucho más complejas, como la creación de nuevos fármacos para combatir Covid-19; en un futuro muy próximo veremos cómo resolverán los mayores retos de la biología, revelándonos los secretos del cerebro humano.

Google ha conseguido crear el hardware que permite al reinforced deep learning (aprendizaje por refuerzo profundo) funcionar más eficientemente. Gracias a la adopción del reto del juego en el diseño del chip, aparecieron concepciones totalmente "extrañas y ajenas" a la lo diseñado hasta el momento por ingenieros, como ocurrió con las estrategias empleadas en el juego del Go, diferentes a todas las empleadas por los mejores jugadores. Los resultados, igual que sucedió con el juego, son diseños totalmente nuevos pero que funcionan de maravilla.

Google ha conseguido crear el hardware que permite al reinforced deep learning (aprendizaje por refuerzo profundo) funcionar más eficientemente. 

Lo que era solo teoría es ya realidad. Varios elementos del chip, diseñados por IA, ya se han incorporado a la Tensor Processing Unit de Google (TPU), consiguiendo que los algoritmos de la IA funcionen con mayor rapidez y eficacia.

"Esa fue nuestra visión con este trabajo", dijo la autora del estudio, Anna Goldie. "Ahora que el aprendizaje automático se ha vuelto tan capaz, todo ello gracias a los avances en el hardware y los sistemas, ¿podemos utilizar la IA para diseñar mejores sistemas para ejecutar los algoritmos de IA del futuro?". 

Diseño de chips : Ciencia y Arte

No suelo pensar en los microchips de mi teléfono, ordenador portátil u otros miles de aparatos repartidos por mi casa. Pero los microchips son la base del hardware, su "cerebro", el que controla estos aparatos.

A menudo más pequeños que una uña, los chips son increíbles obras de ingeniería que albergan en su interior decenas de millones de componentes capaces de optimizar cálculos. En román paladino, un chip mal diseñado significa tiempos de carga lentos y funcionamientos imperfectos, algo no deseado por nadie.

El quid del diseño de chips es la "planificación del suelo", explica el Dr. Andrew Kahng, de la Universidad de California en San Diego (y no relacionado con este proyecto). Es equiparable a cómo distribuimos los muebles cuando nos mudamos. Este reposicionamiento de componentes (de memoria y lógica) consigue optimizar sustancialmente la velocidad de proceso y la eficiencia energética. 

El diseño por la IA ha conseguido que un chip funcione de la forma más óptima posible, en términos de velocidad, generación de calor y consumo de energía

El proceso es terriblemente complejo, ya que cada chip contiene millones de puertas lógicas para la computación y miles de bloques de almacenamiento de datos: macrobloques. Estos dos componentes se interconectan a través de decenas de kilómetros de cableado. De cómo se extiende ese cableado depende el funcionamiento del chip. El diseño por la IA ha conseguido que un chip funcione de la forma más óptima posible, en términos de velocidad, generación de calor y consumo de energía.

"Dada esta asombrosa complejidad, el propio proceso de diseño del chip es otro milagro, donde los esfuerzos de los ingenieros, ayudados por herramientas de software especializadas, tienen como objetivo mantener esa complejidad bajo control", explica Kahng. Lo habitual es que este floorplanning, dure semanas o meses de ensayos, pruebas y errores… 

Este proceso, que lleva practicándose ya seis décadas, continúa siendo una mezcla de ciencia y arte... "Hasta ahora, el floorplanning ha sido imposible de automatizar", explica Kahng. Una estimación del número de configuraciones posibles en la colocación de macrobloques de "memoria" es de 10 elevado a 2.500, una magnitud que está por encima del número de estrellas en el universo.

La IA del Gameplay al rescate

Dada esta dificultad, parece de locos intentar automatizar el proceso, pero Google Brain lo ha hecho posible dándole una vuelta a cómo lo planteamos. Si pensamos que los macrobloques y los otros componentes de un chip son piezas de ajedrez, podemos transformar el diseño de chips en una especie de juego, similar a los que ya domina el Deep learning. 

El juego consiste en colocar secuencialmente los macrobloques, uno por uno, en un chip de forma optimizada para “ganar” la partida. Por supuesto, cualquier tipo de IA tendría dificultades y ante ellos, se creó un aprendizaje de fondo donde el equipo entrenó a IA usando más de 10.000 modelos de floorplanning y, con esa biblioteca de conocimientos, la IA tiene diferentes alternativas de planificación.

Durante el diseño, se trabajó con un tipo de proceso de "prueba y error" similar a nuestro proceso de aprendizaje. En cualquier fase del desarrollo del plano, el agente de IA evalúa cómo lo está haciendo utilizando una estrategia aprendida y decide la forma óptima de avanzar o, simplificando, dónde colocar el siguiente componente.

"Se comienza con un lienzo en blanco, al que se le van colocando componentes de uno por uno, en el lienzo. Al final, se puntúa (recompensa) en función de lo bien que se haya hecho”, explicó Goldie. La información obtenida sirve para ir actualizando toda la red neuronal artificial. A través de repeticiones, se continúa con la mejora.

La puntuación se elabora cuidadosamente y de forma específica, ya que las limitaciones del diseño del chip no siempre son las mismas. Cada uno tiene su propio juego. Algunos, por ejemplo, si se destinan a un centro de datos, tendrán que optimizar el consumo de energía; en cambio, para un automóvil, la preocupación está en la latencia, de manera que se puedan detectar rápidamente los peligros. 

El Bio-Chip 

Con este enfoque, el equipo tuvo que limitarse a la búsqueda de una única solución de diseño de chips. La IA de Google es capaz de adaptarse y de generalizar; solo necesitó de seis horas más de cálculos para identificar soluciones optimizadas para necesidades específicas.

"Hacer que algoritmo sea capaz de generalizar contextos diferentes ha sido obviamente un reto mucho mayor que el de crear un algoritmo que funcione solo con un chip específico", dijo Goldie.

Es un aprendizaje de una sola vez, dijo Kahng, ya que puede producir planos "superiores a los desarrollados por expertos humanos para los chips existentes". A primera vista parecía que de la IA colocaba los macrobloques en orden decreciente de tamaño, pero lo que realmente destacaba era lo extraño de los diseños. Las colocaciones eran "redondeadas y orgánicas", una gran diferencia respecto a los diseños de chips convencionales con bordes angulosos y esquinas afiladas.

El equipo tiene previsto publicar su código para que la comunidad en general pueda seguir optimizando -y comprendiendo- el cerebro de la máquina para el diseño de chips

Los diseñadores, convencidos de que "no había forma de que esto fuera de alta calidad", casi ni querían evaluarlos", dijo Goldie. 

En cualquier caso, el equipo llevó adelante el proyecto. El pasado enero, Google integró algunos de estos elementos diseñados por la IA a sus procesadores de próxima generación. Aunque los detalles se mantienen en secreto, las soluciones fueron lo suficientemente intrigantes como para fabricar millones de copias.

El equipo tiene previsto publicar su código para que la comunidad en general pueda seguir optimizando –y comprendiendo– el cerebro de la máquina para el diseño de chips. Lo que hoy parece magia podría aportar ideas para mejorar todavía más los diseños de los planos, insuflando nueva vida a la “moribunda” Ley de Moore. De hecho, incluso pequeñas mejoras en la velocidad o el consumo de energía en la computación suponen una gran diferencia. 

Lo que hoy parece magia podría aportar ideas para mejorar todavía más los diseños de los planos. Incluso pequeñas mejoras en la velocidad o el consumo de energía en la computación suponen una gran diferencia

"Podemos... esperar que la industria de los semiconductores redoble su interés por replicar el trabajo de los autores y persiga una serie de aplicaciones similares en todo el proceso de diseño de chips", dijo Kahng.

"El nivel del impacto que una nueva generación de chips podría tener sobre la huella de carbono del machine learning, si se desplegase en todo tipo de centros de datos, sería realmente valioso. Incluso un día antes, supone una gran diferencia", dijo Goldie.

Fuente: Singularity Hub, por Shelly Xuelai Fan 

Imágenes: © Laura Ockel on Unsplash.

Artículo publicado en junio de 2021.