A fase mais crucial no design de um microchip é a chamada de floorplanning, ou “planejamento do piso”, na qual se definem onde serão colocados os elementos lógicos e de memória. Esta localização impacta o desempenho do chip finalizado, em relação à velocidade de processamento e eficiência energética. O planejamento é uma etapa complexa, já que são bilhões de transístores que devem ser colocados e interconectados em uma área tão pequena quanto a unha do dedo mínimo. Tão complexa que, mesmo com décadas de experiência no design de microchips, os desenvolvedores não conseguiram automatizar completamente o processo. Engenheiros humanos até recorrem ao auxílio de algumas ferramentas computacionais, mas são os principais responsáveis pelo trabalho, que pode levar meses.
Isto até a publicação de um trabalho desenvolvido por cientistas do Google, na semana passada. O artigo detalha o desenvolvimento de uma inteligência artificial capaz de realizar o floorplanning de maneira autônoma. O algoritmo, na forma de uma rede convolucional de grafos, foi treinado no regime de aprendizagem por reforço, se baseando em 10 mil projetos finalizados. Ele faz o posicionamento dos blocos um por vez, por tamanho decrescente, avaliando os resultados produzidos a cada novo posicionamento, assim aprendendo a realizar a tarefa melhor a cada nova iteração. Depois de treinado, ele se mostrou capaz de desenhar novos chips em menos de 6 horas. Os cientistas então produziram alguns desses chips e verificaram que os novos projetos eram comparáveis ou superiores àqueles desenvolvidos pelos especialistas humanos nas principais métricas, como consumo de energia, performance e área.
O mais curioso dos designs desenvolvidos pela inteligência artificial é que eles não nos parecem nada intuitivos. Os desenvolvedores humanos preferem colocar os elementos em formatos geométricos bem definidos, como numa malha que segue algum alinhamento. A IA, entretanto, revelou que esta preferência era um viés humano, produzindo posicionamentos que aos nossos olhos parecem desorganizados, mas que entregam um produto mais próximo dos objetivos do projeto. A figura abaixo representa um caso desses.
O Google está tão confiante nestes resultados que já incorporou o método no design da próxima geração dos chips dos seus próprios processadores de IA. Além disso, chips menores e mais eficientes têm alta demanda na indústria de dispositivos móveis, por exemplo, que buscam incluir maior capacidade computacional em volumes cada vez menores ao mesmo tempo em que são limitados pela carga das baterias disponíveis.
O trabalho também tem implicações mais abrangentes. Devido à pandemia do novo coronavírus, por exemplo, neste último ano a indústria passou por uma escassez na oferta de chips, com prejuízos que ainda não foram devidamente mensurados, e soluções que acelerem o desenvolvimento de chips mais potentes podem ajudar a resolver problemas similares no futuro. Por fim, já há consenso entre os pesquisadores de IA que os algoritmos devem eventualmente ganhar a capacidade de seu auto-aprimorar, alcançando independência dos desenvolvedores humanos, mas parece que isto não deve ficar limitado ao universo dos códigos e métodos matemáticos, alcançando também a produção de hardware cada vez mais especializado, o que deve catapultar a complexidade das tarefas que a inteligência artificial é capaz de realizar.
