将 ScienceAI 设为星标
第一时间掌握
新鲜的 AI for Science 资讯
编辑 | 绿萝
通常,开发任何类型的硬件(包括芯片,作为电子设备大脑的微小电子元件),都是从用正常语言描述硬件应该做什么开始的。然后,经过专门训练的工程师将该描述翻译成硬件描述语言(HDL),例如 Verilog,以创建允许硬件执行其任务的实际电路元件。
自动化此翻译可以减少工程过程中的人为错误来源。但是,直到最近,AI 才展示了基于机器的端到端设计翻译的能力。一些大型语言模型(LLM),如 OpenAI 的 ChatGPT 和谷歌的 Bard,声称能够生成各种编程语言的代码;但它们在硬件设计中的应用尚未得到广泛研究。
近日,来自纽约大学和新南威尔士大学的研究团队使用简单的英语「对话」与 AI 模型制造了一个微处理芯片,这是一项史无前例的成就,可以加快芯片开发速度,并允许没有专业技术技能的个人设计芯片。
研究团队展示了两名硬件工程师如何用标准英语与 ChatGPT-4「交谈」,以设计一种新型微处理器架构。然后,研究人员将设计送去制造。
在该研究中,LLM 能够通过来回对话生成可行的 Verilog。随后将基准测试和处理器发送到 Skywater 130 纳米穿梭机上进行流片(tapeout)。
研究共同作者 Hammond Pearce 说:「我们认为这项研究产生了第一个完全由 AI 生成的 HDL,用于制造物理芯片。这项研究表明,AI 也可以使硬件制造受益,特别是当它被用于对话时,你可以来回地完善设计。」
该研究以「Chip-Chat: Challenges and Opportunities in Conversational Hardware Design」为题,于 2023 年 5 月 22 日发布在 arXiv 预印平台。
研究背景
随着数字设计的能力和复杂性不断增长,集成电路 (IC) 计算机辅助设计 (CAD) 中的软件组件已在整个电子设计自动化流程中采用机器学习 (ML)。传统方法试图对每个过程进行正式建模,而基于 ML 的方法则侧重于识别和利用可概括的高级特征或模式——这意味着 ML 可以增强甚至取代某些工具。尽管如此,IC CAD 中的 ML 研究仍倾向于关注后端过程。
在此,研究团队探索了将新兴类型的 ML 模型应用于硬件设计过程的早期阶段时面临的挑战和机遇:硬件描述语言 (HDL) 本身的编写。
虽然硬件设计以 HDL 表示,但它们实际上以自然语言(例如英语需求文档)提供的规范开始设计 lifecycle。将这些转换为适当的 HDL(例如 Verilog)的过程必须由硬件工程师完成,这既耗时又容易出错。使用高级合成工具等替代途径可以让开发人员使用 C 语言等高级语言指定功能,但这些方法是以牺牲硬件效率为代价的。这激发了对 AI 或基于 ML 的工具的探索,将其作为将规范转换为 HDL 的替代途径。
最新的 LLM (如 OpenAI 的 ChatGPT 和 Google 的 Bard)为其功能提供了不同的「会话」聊天界面。
会话式 LLM 用于迭代设计硬件
受 LLM 发展的启发,研究人员提出以下问题:将这些工具集成到 HDL 开发过程中有哪些潜在优势和障碍?
为了理解这项新兴技术的重要性,进行像这样的观察性研究至关重要。对会话式 LLM 对硬件设计的影响的调查既相关又及时。
图 1:会话式 LLM 能否用于迭代设计硬件?(来源:论文)
该研究的贡献如下:
首次对对话式 LLM 在硬件设计中的使用进行了研究。
开发基准以评估 LLM 在功能硬件开发和验证方面的能力。
利用 ChatGPT-4,对硬件中复杂应用程序的端到端协同设计进行观察性研究。
首次使用 AI 为流片编写完整的 HDL,实现了一个重要的里程碑。
为在硬件相关任务中有效利用尖端会话 LLM 提供实用建议。
研究人员进行了两个对话实验。第一个实验涉及预定义的对话流程和一系列基准挑战,而第二个实验需要一个开放式的「自由聊天」方法,LLM 在一个更大的项目中担任联合设计师。
从本质上讲,有无数种方法可以与对话模型「聊天」。为了探索使用会话式 LLM 实现「标准化」和「自动化」流程的潜力,研究人员定义了一个严格的「脚本化」对话基于一系列基准。
然后,研究人员使用一致的指标评估一系列 LLM,根据通过附带测试平台所需的指令水平确定对话的相对成功或失败。然而,虽然对话流在结构上保持相同,但它在测试运行之间固有地存在一些差异,这取决于评估者需要决定 (a) 每个步骤中需要什么反馈,以及 (b) 如何格式化人类反馈。
下图详细说明了与 LLM 对话以创建硬件基准的一般流程。
图 2:简化的 LLM 对话流程图。(来源:论文)
真实世界的硬件设计具有更广泛和更复杂的要求。考虑到以前使用的方法时,这是一个挑战,该方法编写并限制了人类与 LLM 交互的方式。然而,鉴于不同层次的人类反馈相对成功,研究人员试图研究非结构化对话是否可以带来更高水平的表现和相互创造力。对此进行调查通常会通过大规模的用户研究来完成,硬件工程师在开发过程中会与该工具配对。研究目标是通过执行概念验证实验来推动硬件领域的此类研究,将 ChatGPT-4 与经验丰富的硬件设计工程师(论文作者之一)配对, 并在执行更复杂的设计任务时定性地检查结果。
挑战与机会
挑战:虽然很明显,使用对话式 LLM 来协助设计和实现硬件设备总体上是有益的,但该技术尚不能仅通过验证工具的反馈来一致地设计硬件。当前最先进的模型在理解和修复这些工具出现的错误方面表现不够好,无法仅通过初始人机交互来创建完整的设计和测试平台。
机会:尽管如此,当人类反馈被提供给功能更强大的 ChatGPT-4 模型,或者用于协同设计时,语言模型似乎是一个「力量倍增器」,允许快速设计空间探索和迭代。总的来说,ChatGPT-4 可以生成功能正确的代码,这可以在实现通用模块时节省设计人员的时间。
未来可能的工作可能涉及更大规模的用户研究以调查这种潜力,以及开发特定于硬件设计的会话式 LLM 以改进结果。
论文链接:https://arxiv.org/abs/2305.13243
参考内容:https://techxplore.com/news/2023-06-conversations-ai-microprocessing-chips.html
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星,并点击右下角点赞和在看。
点击阅读原文,加入专业从业者社区,以获得更多交流合作机会及服务。