跳到正文
OpenAI News·· 2 天前精選AI 評分74

OpenAI 模型改進 Jalapeño、AMD 及 RISC-V 晶片設計

Advancing chip design with OpenAI models

AI 導讀

OpenAI 表示,其模型已用於改進自研 Jalapeño、AMD GPU IP 及開源 RISC-V 核心的晶片設計,並提升 RISC-V 評測中的吞吐量。在 AMD 旗艦 GPU IP 上,相較高度優化基線,PPA 改善最高達 14%;Jalapeño warp engine 和 matrix unit 的標準單元面積則分別減少約 13% 和 10%。

推薦理由

文章並列量產設計中的 PPA 改善與兩款開源 RISC-V 核心評測,亦交代功能取捨和物理綜合檢查等限制,可對照模型測試分數與實際晶片設計要求。

正文 · 繁體中文

OpenAI 模型推動晶片設計

改良 Jalapeño 的運算區塊

OpenAI 的模型正迅速改良為 AI 提供運算能力的晶片。在 8 月,⁠我們分享了 OpenAI 工程師如何運用我們的前沿模型,加快首款自訂推理晶片 Jalapeño 的開發。在此,我們會深入探討推動 Jalapeño 效能提升的專家級設計改進,以及我們如何與 AMD 合作,將相同方法應用於第三方硬件,帶來顯著提升。

為了衡量模型執行端到端晶片設計任務的能力,我們在兩款開源處理器設計上評估了模型的多個後續版本,並得出一些有趣的發現。為了以可信賴的評估方式推動能力發展,我們正與 Synopsys 合作,將前沿智能整合至工程師現時用來設計及驗證晶片的電子設計自動化(EDA)工具。

改良 Jalapeño 的運算區塊

我們在 2025 年初開始使用 GPT‑4o 協助設計 Jalapeño。即使是這個早期模型,也找到了提升 PPA 的實質方法,例如:

在 warp 引擎中,這個引擎負責管理及執行平行運算工作,節省來自浮點加法器和乘法器、轉換函數、歸約邏輯及特殊函數單元。模型探索了不同的邏輯實作方式,以及如何將運算分配至不同的流水線階段,從中找出共用硬件及減少中間儲存空間的機會。

在矩陣單元中,這個算術元件的改進涵蓋浮點加法器、乘法器及低精度點積電路。其中一項乘法器重新設計,在綜合後所用的單元面積減少約 15%,同時將延遲由兩個時鐘週期縮短至一個。另一項加法器重新設計則在保留兩個時鐘週期延遲的同時,將單元面積減少約 15%。點積邏輯及流水線配置的進一步改進,也為整個區塊帶來額外節省。

在 Jalapeño 整體設計工作中,團隊估計,模型提出的改動令 warp 引擎的標準單元面積減少約 13%,矩陣單元則減少 10%。這些最佳化已在Jalapeño 晶片啟動期間通過實際晶片驗證。

我們與 AMD 的合作

我們與 AMD 合作改善 PPA,在其旗艦 GPU IP 上,相較於經高度最佳化的基準設計,提升幅度最高達 14%。我們的模型透過重寫描述晶片電路的程式碼(SystemVerilog RTL),找出進一步改進的方法。這相當於不到 5 個月便取得約一年的進展,是晶片設計前沿領域前所未有的成果。AMD 已在近期送交製造的設計中納入部分改動,並將其他改動加入其生產設計檔案,以供未來版本使用。

我們觀察到,模型能以專家級微架構師的水平推理 RTL。模型可以重寫用於計算、控制操作或傳送資料的電路。它使用 Synopsys 工具驗證每項改寫均保留區塊的行為,並評估功耗、效能和麪積之間的取捨。

AMD 亦驗證了其即將推出的下一代旗艦 CPU 多個主要區塊,使用我們的模型撰寫的設計後,PPA 均有個位數百分比的提升。展望未來,我們預期 GPU 和 CPU 的 PPA 相較於經過最充分優化的基準設計,還會進一步改善。

優化 RISC-V 核心

我們在 Jalapeño 和 AMD 晶片上的結果顯示,模型能改良投入生產的設計。為了衡量不同世代模型在晶片設計能力上的進展,我們測試了每個模型處理兩款開源 32 位元 RISC-V 核心的表現。PicoRV32 是一款精巧的核心,專為稱為 FPGA 的可重新編程晶片而設計。OpenTitan 在其安全晶片中使用 Ibex 作為嵌入式處理器。兩者都是適用於嵌入式、微控制器級工作負載的完整處理器核心。

我們向每個模型提供各核心的原始硬件描述,並要求它提高吞吐量(即核心每秒可執行的指令數)。例如,某項改動可能讓核心以較少的時鐘週期完成一條指令,但令每個週期耗時更長。衡量吞吐量可同時反映這兩種影響。

我們在模擬中檢查每個設計的輸出。如果設計未能通過任何檢查,或面積超過原始核心的 16 倍,得分便為零。對於通過檢查的設計,我們會測量模型未見過的工作負載下,每個時鐘週期可執行的指令數。我們計算這些工作負載的幾何平均值,再乘以 Yosys 估算的最高時鐘頻率,藉此估算每秒指令數。對每個核心,我們將在相同限制下觀察到的最高吞吐量定為 1.0 分。圖表顯示各次執行的平均分數,包括得零分的結果。

每次執行的 token 預算相若,約為 112,000 個 token;GPT‑6.2 Astra 在兩個核心上的平均得分均最高。GPT‑6.1 Sol 在兩個核心上的得分也高於 GPT‑5.6 Sol。

在現有的 PicoRV32 核心上,GPT‑6.2 Astra 在較高的相若預算下取得最高平均分數。在約 112,000 個 token 時,其得分約為 GPT‑6 Astra 的兩倍。

在現有的 Ibex 核心上,GPT‑6.2 Astra 的平均分數隨着其所達到的較高預算持續上升。GPT‑6 Astra 和 GPT‑6.1 Sol 的得分則較為接近。

根據規格設計 RISC-V 核心

在第二項任務中,我們向每個模型提供書面要求,以及開源程式碼中的範本,以展示核心如何連接至系統的其餘部分。模型自行決定資料如何在核心中流動,以及如何將工作分成不同階段。對每個核心,我們採用與 RTL 優化任務相同的正確性檢查、記憶體和快取設定,以及吞吐量目標。

每次執行約使用 112,000 個 token 時,所有五個模型根據書面要求設計核心的得分,均高於嘗試改良現有設計時的得分。PicoRV32 和 Ibex 兩者均是如此。GPT‑6.2 Astra 在 Ibex 上的提升幅度大於在 PicoRV32 上的提升幅度。完整評估涵蓋兩項任務、兩個核心及所有 token 預算,共有 9,881 次獲評分的執行。

以 PicoRV32 規格為起點,GPT‑6.2 Astra 在約 112,000 個 token 時的平均分數超過 0.7,並在之後兩個觀察到的預算下取得更高分數。

在 Ibex 上,GPT‑6.2 Astra 根據規格進行設計時,在約 112,000 個 token 附近的平均值約為 0.75。當共用預算較大時,其曲線仍高於其他模型。

從書面需求開始,模型便有空間省略原始核心中的部分功能,例如效能計數器和額外指令。這些功能對提升測試工作負載的吞吐量可能幫助不大,或可解釋部分評分優勢。要求具備這些功能、收緊電路面積限制,並在實體綜合後檢查時序,將令測試更能反映實際晶片設計。

下一步

我們已展示模型能在 RISC-V 評測中探索新的處理器架構,並在 Jalapeño 和 AMD 下一代旗艦 GPU 及 CPU 等複雜的量產設計之上,帶來全新改進。為以值得信賴的評測作為模型開發的基礎,並擴闊所涵蓋的設計挑戰,我們正與 Synopsys 合作訓練新模型 GPT‑Synopsys⁠(在新視窗中開啟),讓它像資深晶片設計師一樣使用 Synopsys 電子設計自動化(EDA)工具。

作者

OpenAI

來源:OpenAI News · openai.com