Huit ingénieurs mobilisés pendant dix mois pour porter une bibliothèque de cellules standard sur un nouveau nœud, NVIDIA dit désormais faire le même travail en une nuit sur un seul GPU. Bill Dally a détaillé à la GTC un usage déjà concret de l’IA dans la conception de puces, loin d’une automatisation intégrale du flux.
NVIDIA IA dans le flot de conception
Lors d’un échange avec Jeff Dean, chief scientist de Google, le chief scientist de NVIDIA a listé plusieurs points d’application déjà actifs en interne : exploration de design, travail sur les bibliothèques de cellules standard, traitement des bugs et vérification. En revanche, un design de puce entièrement automatisé de bout en bout reste encore lointain.
NB-Cell et prefix RL
L’exemple le plus précis concerne NB-Cell, un outil basé sur l’apprentissage par renforcement. Porter la bibliothèque de cellules standard de NVIDIA vers un nouveau process de fabrication impliquait jusqu’ici une équipe de huit personnes pendant environ dix mois, soit 80 mois-homme, pour traiter de 2 500 à 3 000 cellules.
D’après Bill Dally, NB-Cell, désormais en version 2 ou 3, exécute ce travail pendant la nuit sur un seul GPU. Les cellules obtenues égalent ou dépassent les conceptions humaines sur trois métriques citées par NVIDIA : surface, dissipation et délai. Le gain de productivité est massif.
Dally a aussi cité prefix RL, un autre outil interne appliqué au placement des étages d’anticipation dans une chaîne carry lookahead. Il affirme que le système produit des layouts qu’aucun humain n’aurait proposés, avec un gain d’environ 20 à 30 % face aux conceptions humaines sur les métriques clés.
Des LLM internes pour les GPU et les bugs
NVIDIA exploite aussi des LLM internes baptisés Chip Nemo et Bug Nemo. Ces modèles ont été fine-tunés sur des données propriétaires de l’entreprise, notamment du RTL et des documents d’architecture couvrant des GPU conçus au fil des années.
Chip Nemo et Bug Nemo au quotidien
L’usage mis en avant est très concret. Un ingénieur junior peut interroger le modèle pour comprendre le fonctionnement d’un bloc précis au lieu de solliciter en permanence un designer senior, tandis que le système peut aussi résumer des rapports de bugs et aider à les affecter au bon module ou au bon ingénieur.
Le point le plus intéressant n’est pas seulement la réduction du temps d’ingénierie. NVIDIA utilise aussi l’IA pour explorer des solutions de placement et d’optimisation hors des heuristiques humaines habituelles, ce qui peut peser directement sur le PPA, donc sur la vitesse de mise au point et sur la compétitivité d’un futur GPU avant même l’étape de fabrication.
Source : VideoCardz
