En mai dernier, Google a annoncé dans son édition 2021 du Google I/O, la quatrième génération de ses puces TPU (TPUv4). Une équipe de recherche de la firme de Mountain View a développé un modèle de machine learning, et plus précisément, d’apprentissage par renforcement, capable de concevoir le design des composants d’une puce informatique. Ce système pourrait permettre, tout comme les solutions concurrentes, de concevoir ces microprocesseurs en quelques heures au lieu de prendre plusieurs semaines ou mois.
La fabrication des puces : un procédé qui peut durer plusieurs mois
Afin de concevoir l’architecture des puces informatiques, plusieurs étapes particulièrement chronophages se succèdent ce qui prend plusieurs semaines voire plusieurs mois. Dans l’optique d’optimiser le temps de conception des puces, une équipe de chercheurs de Google ont conçu un modèle de machine learning qui permet, selon eux, de mettre en place un plan de conception des composants d’une puce en moins de six heures.
L’ensemble des détails concernant ce modèle de machine learning est disponible dans l’article publié le 9 juin dernier et donc les auteurs principaux sont Azalia Mirhoseini et Anna Goldie. Selon les experts ayant travaillé sur ce système, cette méthode génère automatiquement des plans d’étage de puce qui sont supérieurs ou comparables à ceux produits par les humains, et ce, dans toutes les mesures clés, dont la consommation d’énergie, la taille de la puce et la performance.
Un modèle d’apprentissage par renforcement
Les puces informatiques sont composées généralement de dizaines de modules individuels allant des sous-systèmes de mémoire aux unités de calcul. Leur planification implique le placement de ces composants sur une grille bidimensionnelle tout en s’assurant qu’ils sont correctement liés. Ce procédé commence progressivement à devenir très complexe à mettre en place sur les puces modernes. Les concepteurs humains prenant plusieurs mois et jusqu’à 72 heures pour évaluer le placement d’une pièce.
Afin d’automatiser ce processus, les chercheurs ont exploité l’apprentissage par renforcement : ils ont créé un ensemble de données basé sur 10 000 designs différents qui sert de point d’ancrage. Par la suite, le modèle apprendra par la pratique en ajustant les paramètres en fonction de la situation. Le réseau de neurones ainsi conçu peut évaluer une variété de modules individuels ainsi que leur emplacement. L’équipe de recherche précise dans son article :
“Dans nos expériences, nous montrons comment notre agent est exposé à un plus grand volume et à une plus grande variété de puces. Il devient à la fois plus rapide et plus efficace pour générer des emplacements optimisés pour de nouveaux blocs de puces, nous rapprochant ainsi d’un avenir dans lequel les concepteurs de puces sont assistés. par des agents artificiels possédant une vaste expérience en placement de puces”
Vers une réduction du temps de conception des puces
En plus d’accélérer considérablement la planification des puces, la nouvelle approche pourrait permettre d’optimiser les conceptions des microprocesseurs à des stades plus précoces du processus de conception des puces pour de meilleures performances. De plus, cela pourrait également permettre l’optimisation des architectures de puces à l’échelle macro, et potentiellement même faciliter l’automatisation complète du processus de conception de puces.
La réduction du temps nécessaire à l’élaboration des puces est une avancée qui serait saluée par l’ensemble de la chaine d’approvisionnement. De plus, la multinationale technologique a pour ambition de concevoir des processeurs personnalisés, notamment sous la forme de systèmes sur puce.
Des entreprises comme Samsung ont d’ores et déjà fait appel à des experts du domaine afin de faire en sorte de réduire le temps de production de ces composants électroniques dont la pénurie est, à l’heure actuelle, la plus grande de l’histoire. Sans nul doute que ce modèle d’apprentissage par renforcement pourrait être un pas de plus vers la réalisation de ce projet.
