nVIDIA|NVIDIA利用AI来设计和开发GPU 最新Hopper已拥有1.3万个电路实例 NVIDIA利用AI来设计和开发GPU|

在过去几年时间里， NVIDIA 深耕 AI 领域，他们的 GPU 不仅成为 HPC 的首选，也成为包括 AI 和深度学习生态系统在内的数据中心的首选。在最新公布的开发者博文中， NVIDIA 宣布正利用 AI 来设计和开发 GPU ，其最新的 Hopper GPU 拥有将近 13000 个电路实例，而这些实例完全由 AI 创建。
【nVIDIA|NVIDIA利用AI来设计和开发GPU 最新Hopper已拥有1.3万个电路实例】访问购买页面:
京东NVIDIA系列商品汇总

文章图片

在 NVIDIA Develope 上发布的新博客中，该公司重申了其优势以及它自己如何利用其 AI 功能来设计其迄今为止最强大的 GPU--Hopper H100 。NVIDIA GPU 主要是使用最先进的 EDA（电子设计自动化）工具设计的，但在利用 PrefixRL 方法的 AI 的帮助下，使用深度强化学习优化并行前缀电路，公司可以设计更小、更快、更节能的芯片，同时提供更好的性能。
计算机芯片中的算术电路是使用逻辑门网络（如 NAND、NOR 和 XOR）和电线构成的。理想的电路应具有以下特点：
● 小：较小的区域，以便更多电路可以安装在芯片上。
● 快速：降低延迟以提高芯片的性能。
● 消耗更少的功率：芯片的功耗更低。
NVIDIA 使用这种方法设计了近 13000 个 AI 辅助电路，与同样快速且功能相同的 EDA 工具相比，它们的面积减少了 25% 。但是 PrefixRL 被提到是一项计算要求非常高的任务，并且对于每个 GPU 的物理模拟，它需要 256 个 CPU 和超过 32,000 个 GPU 小时。为了消除这个瓶颈， NVIDIA 开发了 Raptor ，这是一个内部分布式强化学习平台，它特别利用 NVIDIA 硬件进行这种工业强化学习。

文章图片

Raptor 具有多项可提高可扩展性和训练速度的功能，例如作业调度、自定义网络和 GPU 感知数据结构。在 PrefixRL 的上下文中， Raptor 使得跨 CPU、GPU 和 Spot 实例的混合分配工作成为可能。
这个强化学习应用程序中的网络是多种多样的，并且受益于以下几点。
● Raptor 在 NCCL 之间切换以进行点对点传输以将模型参数直接从学习器 GPU 传输到推理 GPU 的能力。
● Redis 用于异步和较小的消息，例如奖励或统计信息。
● 一种 JIT 编译的 RPC ，用于处理大容量和低延迟的请求，例如上传体验数据。
NVIDIA 得出结论，将 AI 应用于现实世界的电路设计问题可以在未来带来更好的 GPU 设计。完整的论文在此处，您也可以在此处访问开发人员博客以获取更多信息。

文章图片

nVIDIA|NVIDIA利用AI来设计和开发GPU 最新Hopper已拥有1.3万个电路实例

推荐阅读

花环泡芙迷迭香的做法（家常菜）

摩羯男喜欢什么样的女生

梭子蟹就是花蟹吗

夜晚发朋友圈的英文句子

东风风光560遥控器怎么换电池具体怎么操作

为什么早上起来嗓子总有痰

钱方好近商户怎么注册

杨梅蜜饯的危害有哪些在怎么保存时间长

圆脸适合的短发烫发型这五款减龄又甜美

三年级数学千米认识的定义了解长度单位

卤肉怎样才能红亮？

三十岁女人的五大保湿程序

自制香醋的制作方法香醋如何酿造

蒙犽怎么玩连招技巧蒙犽玩连招技巧说明

社交心理障碍有哪些怎么克服

新生儿每次喂奶时间是什么时候

黑木耳怎么健康的食用？黑木耳的食用注意事项

四川哪里大量种植清见柑橘

胃酸是怎样引起的呢

枸杞茶的泡法有哪些？吃枸杞存在钠硒禁忌？