Semiconductor Portal

» セミコンポータルによる分析 » \術分析 » \術分析(半導)

7nmプロセスで]したウェーハ模の巨jなAIチップ

ウェーハスケールAIチップ開発のCerebras Systemsは、2世代のウェーハスケールAIチップを開発した。最初のチップが16nmプロセスで]されていたが、今vは7nmプロセスで作られており、総トランジスタ数はivの1兆2000億トランジスタに瓦靴2.6兆トランジスタとほぼ2倍になっている。その分チップ屬寮性も2倍以屬砲覆辰討い襦

図1 7nmプロセスで]したウェーハスケールAIチップ 出Z:Cerebras Systems

図1 7nmプロセスで]したウェーハスケールAIチップ 出Z:Cerebras Systems


今vのAIプロセッサWSE-2は、1世代のウェーハスケールAIプロセッサ(参考@料12)と同様、300mmウェーハ1から1チップをDるという文C通りウェーハスケールICである。TSMCの7nmプロセスで]されており、コア数、メモリ容量、メモリ帯域幅、ファブリック帯域幅の性はて1世代のそれの2倍以屬箸覆辰討い襦

AIプロセッサを巨jに拡jすることによって、例えば演Qするのに数カ月もかかるような巨jな学{モデルだと、これまでは研|vが実的ではないとめてきたが、これでも数週間、あるいは数日間で解けるようになる。1世代のウェースケールチップと比べ2倍の2.6兆トランジスタはこれまでにない最jの半導チップとなる。現在の最jレベルのAIチップ(GPU)は、NvidiaのA100が集積する542億トランジスタだが、これよりも50倍jきい。その性Δ蓮△呂襪にA100を凌ぐ(図2)。


図2 最高性ΔGPUチップA100(Nvidia)と比較 出Z:Cerebras Systems

図2 最高性ΔGPUチップA100(Nvidia)と比較 出Z:Cerebras Systems


チップがjきい分、演Qするコア数や、演QT果をk時的にQめるメモリが圧倒的にHいため、性Δ呂韻唇磴い暴jきい。コア数はA100の123倍、メモリ容量は1000倍、メモリバンド幅は12,862倍、ファブリックバンド幅は45,833倍とけた違いである。チップC積は4万6225mm2という巨jなシリコンの修砲覆辰討い襦このため、表C屬魯好謄奪僂離譽船ルサイズに合わせた的なパターンとなっている。

ウェーハ1に1チップというウェーハスケールICは、実は1980Q代にもあった。しかしロジックICやメモリICであったため、配線が1本でも切れていると不良となり、廃棄するしかなかった。このため歩里泙蠅聾造蠅覆ゼロにZかった。しかし、ニューラルネットワークで表現されるAIチップだと、配線が1本や2本切れていても学{するξにさほど差はない。つまり不良にはならないため、歩里泙蠅呂い弔100%なのである。

ニューラルネットワークでは、な線形代数演Qが要で、それに合わせた最適で柔軟なコアの設が求められる。線形代数演Qは、行`演Qそのものだが、ニューラルネットワーク~のである(Sparse)とは、行`成分のj霾が0(ゼロ)だというT味である。0×数Cは0であるから、そういった霾のXけQは省Sすることで演Qスピードを屬欧襪海箸AIチップの高]化に_要になる。

ニューラルネットワークでは、演Qとメモリを何度となく繰り返す。このため、演Q(MAC:積和演Q)とメモリをセットにしたアーキテクチャは高]に学{と推bができる。しかも模をウェーハサイズに`kJ拡jすることでGPUを数押⊃並べるよりも1チップ屬捻Q・記憶する気使いやすくシンプルになるという。

これまでの演Qでは、jきな推bモデルを量子化して小さくすることによって、Qを]めてきた。そうすると、もちろん@度が犠牲になる。このCS-2を使って演Qすれば@度を犠牲にすることなく、しかも]度を落とさずに済む。チップ屬砲△85万コアはオンチップメッシュで接されており、220P(ペタ)ビット/秒と]い。しかも演QT果を格納するメモリ容量は40G バイトの高]SRAMが配されており、メモリの帯域幅は20Pバイト/秒と極めて高]である。

同社は半導チップを設するだけではなく、これを実△靴AIコンピュータCS-2も販売する。チップの冷却やパッケージもOら設しており、電源の供給は来とは違い、Qコアに貭召剖ゝ襪垢襪箸いΑ最jのシステム電は23kWにもなるため、水冷擬阿鮑涼している。

チップのソフトウエアプラットフォームには、k般的なTensorFlowやPyTorchなどの機械学{のフレームワークが含まれているため、AIモデルの研|vは使い慣れたツールを使ってCS-2にプログラムできる。

さらに、同社はニューラルネットワークをCS-2の実行ファイルにO動的に変換するコンパイラCGC(Cerbras Graph Compiler)も提供しており、Qニューラルネットワークにw~の配と配線接を收する。このT果、u接するレイヤー間の通信のレイテンシを小さくできるという。

参考@料
1. ディープラーニング学{にはウェーハ模の巨jなチップが要 (2019/08/27)
2. Cerebras社、ウェーハ模のAIチップを実△靴織灰鵐團紂璽燭鯣売 (2019/12/20)

(2021/04/28)
ごT見・ご感[
麼嫋岌幃学庁医 忽恢崙捲某沃壓| 自瞳某沃岱狼双朕村畠鹿| 忽恢天胆晩昆娼瞳及匯曝| 嶄猟japanese壓濂シ| 襖謹勸潤丗匯曝屈曝眉曝互賠av| 忽恢嗽仔嗽寄嗽間議篇撞| a匯雫谷頭窒継互賠壓| 晩昆繁曇匯曝屈曝眉曝窒継| 繁繁際際忝栽消消冉巖| 競何徭喇來艶xx篇撞| 壓濘肝淆覽鎮盞冤嫋| 消消消消涙鷹娼瞳冉巖晩昆| 邦築孟涙鷹篇撞壓濆杰| 忽恢冉av返字壓濆杰| 91壓濔瞳嶄猟忖鳥| 慧序肇埓祥音尓奢阻| 冉巖忽恢冉巖頭壓濆杰寛シ| 娼瞳篇撞怜匚匯曝屈曝| 忽恢寔糞岱壓澹仟| xl貧望揮鍬咎涙瀧琵咤雑| 晩昆娼瞳涙鷹消消匯曝屈曝眉 | 18隆定鋤峭窒継鉱心| 富絃自瞳母絃繁曇| 湘湘犯秉曲啼| 槻峨溺互咳匯曝屈曝| 忽恢朔秘賠歓僥伏鍛| 91娼瞳擬砂壓瀝峽窒継| 忽恢廩鷹廩廨曝| 窒継鉱心a雫谷頭| 晩云a窒継鉱心| 戎曇岻圀今刑巍易洗住算| 岱嶄定溺繁戴av匯曝屈曝| 槻溺涙孳飢互賠來篇撞岷殴| 忽恢秉巾伺屈曝眉曝壓瀛啼| 忽恢怜匚娼瞳匯曝尖胎頭| 冉巖菜繁壷弌videos| 秉曲啼虐斛濆杰環佚| 忽坪徭恢富絃徭田曝窒継| 嶄猟忖鳥壓濂シ妬啼 | 爺銘mv壓瀉盞儔シ| 忽恢91娼瞳消消消消消|