The Pulse
Architect Labs diz que seus sistemas de IA projetaram a CPU Frostbite
Architect Labs diz que seus sistemas de IA projetaram a Frostbite, uma CPU de uso geral com um novo conjunto de instruções baseado em redes de interação. A empresa relata uma vantagem de desempenho por watt em relação a um núcleo de CPU convencional em 25 cargas de trabalho, com base em resultados pré-silício.

A Architect Labs diz que seus sistemas de IA projetaram e verificaram uma arquitetura de CPU de uso geral, desde seu novo conjunto de instruções e compilador até o leiaute final do chip. Em uma publicação de pesquisa de 18 de novembro, a empresa relatou que o projeto, chamado Frostbite, alcançou um desempenho por watt 4,59 vezes maior que o de um núcleo de CPU de emissão dupla e execução em ordem, validado em silício, em 25 cargas de trabalho, incluindo 15 mantidas de fora até a avaliação final. A empresa fez essa comparação entre um quad Frostbite, um grupo de tiles organizado em dois por dois, e um núcleo desse tipo, que, segundo ela, têm áreas semelhantes.
A Notebookcheck informa que os resultados vêm de simulações pré-silício, e não de um processador físico. A Architect Labs descreve como números pré-silício os valores de consumo de energia usados em seu processo de desenvolvimento.
Uma maneira diferente de executar programas
A Frostbite é baseada em redes de interação, nas quais um programa é representado como um grafo de nós, e a computação avança pela reescrita de pares conectados. Cada reescrita afeta uma parte pequena e local do grafo, e cada valor é usado uma única vez.
A Architect Labs diz que essa abordagem expõe diretamente o trabalho paralelo do programa e permite manter os dados em pequenas memórias locais, perto de onde são usados. A empresa contrasta isso com o hardware de CPU convencional, que precisa identificar dependências entre instruções durante a execução e manter a coerência entre caches.
A empresa diz que iniciou o processo de projeto sem pressupostos arquitetônicos, usando grupos de agentes de IA para explorar possíveis abordagens. Ela selecionou cargas de trabalho destinadas a testar diferentes tipos de comportamento de programas, incluindo tarefas independentes, cadeias sequenciais, ramificação e recursão.
Da exploração ao projeto
Agentes analisaram artigos de pesquisa e benchmarks existentes e criaram modelos em Python para comparar ideias arquitetônicas antes de selecionar um conceito. O resultado inicial foi um documento de 141 páginas que descrevia um modelo de programação proposto, um ambiente de execução e blocos de chip de alto nível.
Esse documento serviu como ponto de partida, não como arquitetura final. Mais tarde, foi apagado, depois que o primeiro projeto em nível de transferência entre registradores foi gerado, porque muitos de seus números e estimativas estavam muito distantes do que era fisicamente possível, segundo a empresa.
O conjunto de cargas de trabalho incluía tarefas de busca usadas para orientar o projeto e tarefas de avaliação separadas, mantidas de fora para o teste final. O grupo reservado incluía um filtro de Kalman, análise de componentes principais, análise de elementos finitos, uma resolução LU e descompressão LZ4.
Verificação do modelo de hardware
Depois de escolher uma arquitetura candidata, a equipe criou um modelo de software do chip chamado Arcmodel, usando uma linguagem de especificação interna, a ASL. A linguagem oferece suporte a traduções e refinamentos verificáveis por máquina entre o modelo do sistema, o projeto em nível de transferência entre registradores e as ferramentas de verificação.
A linguagem também é traduzida para Lean, que a empresa usa para provar teoremas ao verificar resultados de IA. Ao fim do desenvolvimento, a especificação da Frostbite havia sido convertida em mais de 800.000 linhas de Lean, segundo a publicação.
A empresa diz que seus sistemas de IA ajustaram repetidamente, em conjunto, o conjunto de instruções, o modelo de software, o projeto e a verificação, com base em um contrato formal compartilhado. Ela atribui a essa especificação comum a prevenção de classes de bugs e de casos de manipulação da recompensa durante o trabalho de grandes grupos de agentes.
A Architect Labs diz que, inicialmente, o modelo de software não levava em conta os aspectos físicos, e suas estimativas de consumo de energia e desempenho divergiam do projeto em nível de transferência entre registradores em quase 250% no pior caso. Em seguida, um pipeline automatizado recalibrou o modelo com base nesse projeto, repetindo o processo até que os dois concordassem dentro de uma margem de 5%.
Fontes
- Fonte original · Post de blog Architect Labs architectlabs.com
Outras páginas lidas
- Notebookcheck notebookcheck.net
Notícias relacionadas
- Bain diz que participação no mercado varejista não garante visibilidade nas compras com IA
- Pesquisadores do ToolPulse reconstroem fluxos de trabalho de agentes de IA por meio de rastros de cache
- Teste do TuringSpace identifica lacunas de ação espacial nos principais modelos de IA
- Vals AI lança rastreador público de comportamentos desalinhados de modelos
- OpenAI afirma que agentes concluíram 46% das tarefas delegadas que exigiam de duas a quatro horas