Ingenieras de Google automatizan el diseño de chips mediante inteligencia artificial
13:38 GMT 10.06.2021 (actualizado: 12:17 GMT 04.04.2023)
© Foto : Pixabay / PublicDomainPictures
Síguenos en
Un equipo de especialistas de Google crea un sistema de inteligencia artificial con el que se pueden diseñar chips en menos de seis horas. Partiendo de elementos de la psicología conductista, el sistema se vale de un método de aprendizaje por refuerzo que podría también aplicarse a cuestiones de ingeniería ambiental o de planificación urbanística.
Lo que hasta ahora necesitaba de varias semanas para resolverse, será posible hacerlo en unas pocas horas. La automatización en la creación de componentes complejos entra en una nueva dimensión, pues el diseño de microcircuitos integrados parece haber encontrado en la inteligencia artificial (AI) un aliado para producirlos de manera mucho más rápida de lo que lo hacen los humanos.
Se trata del planeamiento de microchips, el modo en que se planifica la distribución de las partes que los integran sobre una plantilla para que encajen y se interconecten del mejor modo posible en el menor espacio posible y usando la menor cantidad de energía y longitud de cable posibles. Una tarea que hasta ahora resuelve un ingeniero antes que una máquina. Pero la prestigiosa revista científica Nature ha publicado un estudio donde se consigna que las máquinas pueden hacerlo mejor y, sobre todo, mucho más rápido. A la cabeza de un equipo internacional, las ingenieras de Google Azalia Mirhoseini y Anna Goldie han logrado automatizar y agilizar el diseño de chips valiéndose de un método de aprendizaje automático de su invención.
Our techniques also apply to other placement problems such as those that appear in FPGAs, PCB design, and city planning. (6/7)
— Azalia Mirhoseini (@Azaliamirh) June 9, 2021
"En menos de seis horas, nuestro método genera automáticamente planos de base de chips que son superiores o comparables a los producidos por humanos en todas las métricas clave, incluidos el consumo de energía, el rendimiento y el área del chip. Para lograr esto, planteamos el planeamiento de base como un problema de aprendizaje de refuerzo, y desarrollamos una arquitectura de red neuronal convolucional integrada capaz de asumir representaciones prolijas que se transfieren del chip", explican en Nature.
28 de enero 2021, 09:45 GMT
Optimizando combinaciones
El aprendizaje de refuerzo aplicado se basa en un sistema de premios y castigos de inspiración conductista. Es un método que aprende de experiencias anteriores para mejorar la colocación de nuevos chips.
El sistema va probando distintas combinaciones, una vez nutrido de información sobre los componentes del chip, las dimensiones de la plantilla, la longitud del cable, el consumo de energía o la congestión de enrutamiento. Las optimiza y las va mejorando. El resultado es que el modelo converge en pocas horas, a diferencia de los que crean los humanos, que tardan varias semanas.
En definitiva, el sistema da con una secuencia de acciones óptima y establece el mejor lugar para colocar el siguiente elemento del chip. Es un trabajo que hasta ahora lo desempeñan los ingenieros de forma manual. Pero si la solución encontrada no es de su agrado, para la nueva mejora emplean otras dos o tres semanas.
La inteligencia artificial está llamada a ser la electricidad del siglo XXI. Estos son los 7 "gigantes" Google, Facebook, Amazon, Microsoft, Baidu, Alibaba y Tencent. Ninguno europeo 😤 pic.twitter.com/v43gTy7sSK
— David Cierco Jiménez de Parga (@davidcierco) June 3, 2021
Futuras aplicaciones
Huelga decir que en un chip se alojan millones de componentes a escala nanométrica, como los bloques de memoria. También se presenta la dificultad de que las conexiones entre los componentes no pueden cruzarse. Es un trabajo minucioso para el que cuenta con la ayuda de algoritmos, que no tienen la capacidad de aprender. Pero ahora, el sistema creado por Google sí que puede aprender y mejorar con cada repetición.
Las investigadoras creen que las utilidades de su sistema pueden aplicarse a cuestiones de planificación urbana, ingeniería medioambiental e incluso la distribución de vacunas, pues lo que se plantea es tomar la mejor decisión ante problemas con una gran cantidad de opciones de resolución y muchas menos recompensas. En su opinión, las implicaciones del método propuesto son más amplias.
"Por ejemplo, el diseño de la exploración del espacio mediante una evaluación rápida de las arquitecturas computacionales basadas en la realidad física. Además, este método es aplicable a una gran variedad de problemas de optimización más allá del diseño de chips, como el urbanismo (por ejemplo, la ubicación de semáforos), la optimización del compilador (como en la asignación de recursos del centro de datos) y la ingeniería medioambiental (por ejemplo, el emplazamiento de una presa)".
Espacio para el escepticismo
Sin embargo, los expertos se muestran todavía escépticos ante el alcance de este logro. "Una cosa es probarlo en una cajita cuadrada y otra bien distinta ponerlo en una familia de procesadores como los de Intel", advierte José Luis Ayala, profesor de Informática en la Universidad Complutense de Madrid, quien en declaraciones al diario El País explicó que, a diferencia de los ordenadores domésticos, los procesadores que quiere utilizar Google para este propósito están muy optimizados para el machine learning o aprendizaje automático, facilitando las cosas a la AI.
Cuestión aparte son las razones de Google para adentrarse en el diseño de chips, aspecto al que en principio no se dedica esta compañía. La producción de circuitos integrados es cara y, además, coto de unas pocas empresas. Pero el mensaje de la tecnológica estadounidense parece ser que, con independencia de quien los fabrique, los microchips podrán ser diseñados mediante una inteligencia artificial de su invención.
11 de agosto 2020, 19:23 GMT
