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。
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。
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。
