ORFS-agent: Tool-Using Agents for Chip Design Optimization
यह शोध पत्र ORFS-agent को प्रस्तुत करता है, जो एक मॉड्यूलर, मॉडल-अज्ञेय (model-agnostic) LLM-आधारित पुनरावृत्ति अनुकूलन एजेंट है, जो कम पुनरावृत्तियों के साथ बेहतर प्रदर्शन मेट्रिक्स प्राप्त करके और प्राकृतिक भाषा उद्देश्यों के माध्यम से लचीले, व्याख्या योग्य बहु-उद्देश्यीय ट्यूनिंग को सक्षम करके ओपन-सोर्स चिप डिज़ाइन फ्लो में मानक बायेसियन ऑप्टिमाइज़ेशन से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक बेहतरीन चॉकलेट केक बनाने की कोशिश कर रहे हैं। आपके पास एक रेसिपी है, लेकिन इसमें हजारों छोटे-छोटे नॉब्स (knobs) हैं जिन्हें आप घुमा सकते हैं: कितना आटा, कितनी देर तक मिलाना है, ओवन का सटीक तापमान, कमरे की नमी, और यहाँ तक कि चॉकलेट चिप्स का ब्रांड भी। यदि आप इनमें से एक सेटिंग को भी थोड़ा सा बदलते हैं, तो केक या तो एकदम परफेक्ट बन सकता है, या फिर एक सूखा, जला हुआ आपदा।
कंप्यूटर चिप्स की दुनिया में, इंजीनियरों को ठीक इसी समस्या का सामना करना पड़ता है। चिप डिजाइन करना केक बनाने जैसा है, लेकिन इसमें लाखों सामग्रियां और नियम हैं। हजारों सेटिंग्स (पैरामीटर्स) होती हैं जो यह नियंत्रित करती हैं कि चिप कैसे बनाई जाती है। इन सेटिंग्स को सही ढंग से प्राप्त करना महत्वपूर्ण है ताकि चिप तेज़ हो, कम बिजली का उपयोग करे, और सिलिकॉन के एक छोटे टुकड़े पर फिट हो सके।
समस्या: चिप डिजाइन का "ब्लैक बॉक्स"
पारंपरिक रूप से, इंजीनियरों ने "बेशियन ऑप्टिमाइज़ेशन" (Bayesian Optimization) नामक एक विधि का उपयोग किया है। इसे एक बहुत ही स्मार्ट, लेकिन थोड़ी अंधी, स्वाद लेने वाले व्यक्ति के रूप में सोचें। यह एक सेटिंग आज़माता है, केक का स्वाद लेता है, और कहता है, "ठीक है, अगली बार थोड़ा और चीनी डालना।" यह अच्छा है, लेकिन यह वास्तव में रेसिपी को समझता नहीं है। यह केवल एक गणितीय पैटर्न का पालन करता है। इसे सही करने के लिए इसे बहुत अधिक प्रयासों (iterations) की आवश्यकता होती है, जिसमें बहुत समय और पैसा लगता है।
समाधान: ORFS-agent (एक "सोचने वाला" शेफ)
लेखकों ने ORFS-agent पेश किया है। एक अंधे स्वाद लेने वाले के बजाय, एक मास्टर शेफ की कल्पना करें जो पूरी कुकबुक पढ़ सकता है, बेकिंग के रसायन विज्ञान को समझ सकता है, और आपसे साधारण अंग्रेजी में बात कर सकता है।
यह "शेफ" एक लार्ज लैंग्वेज मॉडल (LLM) द्वारा संचालित है—वही तरह का AI जो कहानियाँ लिख सकता है या सवालों के जवाब दे सकता है। लेकिन यहाँ, AI को एक विशेष कार्य दिया गया है:
- यह परिणामों को पढ़ता है: यह चिप डिजाइन प्रक्रिया के लॉग्स को देखता है (जैसे केक की बनावट और स्वाद को पढ़ना)।
- यह टूल्स का उपयोग करता है: यह एक "टूलबॉक्स" (गणितीय सहायकों जैसे कैलकुलेटर या ग्राफ़िंग टूल) का उपयोग कर सकता है ताकि डेटा का विश्लेषण किया जा सके।
- यह सोचता है: यह केवल अनुमान नहीं लगाता। यह डेटा के माध्यम से तर्क करता है, खुद से पूछता है, "चिप बहुत गर्म क्यों हुई? शायद मुझे क्लॉक स्पीड को धीमा करने और अधिक पैडिंग जोड़ने की आवश्यकता है।"
- यह समायोजन करता है: यह अगले दौर की "बेकिंग" के लिए सेटिंग्स को बदल देता है।
व्यवहार में यह कैसे काम करता है
शोधकर्ताओं ने वास्तविक चिप डिजाइनों पर इस AI शेफ का परीक्षण करने के लिए दो अलग-अलग "मस्तिष्क" (AI मॉडल) का उपयोग किया:
- Sonnet 4.6: एक शक्तिशाली, व्यावसायिक AI मॉडल।
- Kimi K2.5: एक शक्तिशाली, ओपन-सोर्स AI मॉडल जिसे कोई भी अपने कंप्यूटर पर चला सकता है।
उन्होंने AI को दो मुख्य लक्ष्यों के लिए चिप को अनुकूलित (optimize) करने के लिए कहा: चिप के अंदर के तारों को यथासंभव छोटा बनाना (जगह बचाने के लिए) और क्लॉक स्पीड को यथासंभव तेज़ बनाना (इसे तेज़ी से चलाने के लिए)।
परिणाम: तेज़, सस्ता और स्मार्ट
पेपर कुछ प्रभावशाली परिणाम का दावा करता है:
- कम प्रयास: AI शेफ ने पारंपरिक विधि की तुलना में 40% कम प्रयासों का उपयोग करके बेहतर सेटिंग्स पाईं। यह आधे समय में एकदम सही केक रेसिपी खोजने जैसा है।
- बेहतर केक: अंतिम चिप्स पुराने तरीके की तुलना में गति, शक्ति और आकार के मामले में थोड़े बेहतर (लग लगभग 1% से 2.7% सुधार) थे।
- ओपन सोर्स के अनुकूल: ओपन-सोर्स AI (Kimi) ने महंगे व्यावसायिक वाले के लगभग समान प्रदर्शन किया। इसका मतलब है कि कंपनियों को इस तकनीक का उपयोग करने के लिए भारी शुल्क देने की आवश्यकता नहीं है; वे इसे निजी तौर पर चला सकते हैं।
- निर्देशों को सुनना: AI प्राकृतिक भाषा को समझ सकता है। यदि एक इंजीनियर कहता है, "मुझे आकार की तुलना में गति की अधिक चिंता है, लेकिन आकार 2% से अधिक खराब नहीं होना चाहिए," तो AI समझ जाता है और उस नियम का पालन करता है। पारंपरिक तरीके इस तरह के लचीले निर्देश के साथ संघर्ष करते हैं।
"सर्च" टूल: एक दोधारी तलवार
शोधकर्ताओं ने AI को एक "सर्च इंजन" टूल भी दिया, जिससे वह नॉब्स को बेहतर ढंग से समझने के लिए दस्तावेज़ों या शोध पत्रों को खोज सकता है।
- शुरुआत में: इसने AI को जल्दी से अप-टू-स्पीड होने में मदद की, जैसे कि एक शेफ शुरू करने से पहले एक त्वरित टिप पढ़ रहा हो।
- बाद में: एक बार जब AI ने विशिष्ट चिप को सीख लिया, तो जानकारी खोजना वास्तव में इसकी गति को धीमा कर दिया या इसे थोड़ा खराब कर दिया। यह एक शेफ की तरह है जो केक को ओवन में रखते समय किताब पढ़ता रहता है, और केक को चेक करना भूल जाता है।
यह क्यों महत्वपूर्ण है
इस पेपर का सबसे महत्वपूर्ण हिस्सा यह है कि ORFS-agent एक "प्लग-एंड-प्ले" सिस्टम है। इसे हर नए चिप या हर नए AI मॉडल के लिए फिर से प्रशिक्षित या फाइन-ट्यून करने की आवश्यकता नहीं है। यदि कल एक बेहतर AI आता है, तो आप बस एजेंट में उसका "मस्तिष्क" बदल सकते हैं, और वह तुरंत स्मार्ट हो जाता है। यह एक रोबोट शेफ की तरह है जो बिना नया शरीर या नई रेसिपी बुक के तुरंत अपना दिमाग अपग्रेड कर सकता है।
संक्षेप में, यह पेपर दिखाता है कि AI एजेंट जो "सोच" सकते हैं, टूल्स का उपयोग कर सकते हैं और प्राकृतिक भाषा के निर्देशों का पालन कर सकते हैं, वे पारंपरिक गणितीय तरीकों की तुलना में अधिक कुशलता और प्रभावशीलता से कंप्यूटर चिप डिजाइन कर सकते हैं, जिससे प्रक्रिया में लगने वाले समय और पैसे की बचत होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।