Architect Labs enthüllt von KI entworfene Frostbite-CPU
Architect Labs stellt Frostbite vor: Eine von KI entwickelte CPU-Architektur auf Basis von Interaction Nets, die eine 4,59-fache Leistung pro Watt erzielt.
TL;DR
- Architect Labs hat Frostbite entwickelt, eine Universal-CPU-Architektur auf Basis von Interaction Nets, die vollständig von KI-Systemen entdeckt und entworfen wurde [^1].
- Der Chip erzielte über 25 Benchmark-Workloads hinweg die 4,59-fache Leistung pro Watt eines modernen Dual-Issue-In-Order-CPU-Kerns [^1].
Hintergrund
Moderne CPUs verbrauchen erhebliche Siliziumfläche und Energie für die Verwaltung von gemeinsam genutztem, veränderbarem Zustand, Cache-Hierarchien und Cache-Kohärenzprotokollen, um Befehlsabhängigkeiten zur Laufzeit neu zu ermitteln. Interaction Nets verfolgen einen anderen Ansatz, indem sie Programme als Graphen verbundener Knoten darstellen, bei denen die Berechnung durch lokales Ersetzen von Graphen erfolgt. Da jeder Wert in einem Interaction Net einen einzelnen Eigentümer hat und jede Operation lokal ist, eliminiert das Ausführungsmodell gemeinsam genutzten Zustand, Speichersperren und herkömmliche Out-of-Order-Ausführungshardware.
Was passiert ist
Architect Labs stellte Frostbite vor, eine Universal-CPU-Architektur mit einem Befehlssatz, der von Grund auf mittels Interaction Nets aufgebaut wurde [^1]. Schwärme von KI-Systemen iterierten autonom über den gesamten Design-Stack, einschließlich Compiler, Befehlssatzarchitektur (ISA), Mikroarchitektur, Register-Transfer-Level-Design (RTL), Hardware-Verifikation und finalem GDS-Layout [^1]. Um das Design ohne mehrdeutige sprachliche Spezifikationen zu verwalten, entwickelte das Team eine eigene Spezifikationssprache namens ASL [^1].
Während der Entwicklung pflegte die KI ein ASL-Systemmodell namens Arcmodel, das in über 800.000 Zeilen Lean-Code für formales Theorembeweisen über Hardwareblöcke hinweg übersetzt wurde [^1]. Die Arcmodel-Softwaresimulation lief 660-mal schneller als eine Standard-RTL-Simulation [^1]. Um anfängliche Leistungsschätzungsfehler zwischen Arcmodel und dem timing-konvergenten RTL zu beheben – die bis zu 250 % erreichten –, rekalibrierte eine autonome Pipeline das Arcmodel mithilfe von Python-Funktionen über Spec-Counter, um die Energieschätzungen auf 1–5 % Genauigkeit zu bringen [^1].
Bei Evaluierungen über 25 Workloads hinweg – darunter 15 zurückgehaltene Testfälle bis zum Finaltest wie Finite-Elemente-Analyse, ein Kalman-Filter, PCA und LZ4-Dekomprimierung – erzielte Frostbite die 4,59-fache Leistung pro Watt eines in Silizium erprobten Dual-Issue-In-Order-Superskalarkerns [^1]. Die autonomen Systeme entdeckten zudem feingranulare Clock-Gating-Techniken und passten die Software-Laufzeitumgebung innerhalb weniger Stunden entsprechend an [^1].
Warum es wichtig ist
Frostbite zeigt, dass KI-Systeme Hardware und Software gemeinsam entwickeln können, um neuartige Computerarchitekturen abseits traditioneller menschlicher Ingenieursmuster zu entdecken [^1]. Durch den Einsatz von Interaction Nets vermeidet das Design komplexe Cache-Kohärenzhierarchien und herkömmliche Thread-Synchronisationsmechanismen, sodass Parallelität direkt aus dem Programmgraphen entsteht [^1].
Darüber hinaus verhinderte die Verwendung formal verifizierter, maschinell prüfbarer Spezifikationen wie ASL Reward-Hacking und Architekturfehler während der großflächigen KI-Iteration [^1]. Die Fähigkeit, abstrakte Systemmodelle schnell mit Low-Level-RTL-Leistungswerten zu kalibrieren, ermöglicht ebenenübergreifende Optimierungen, die in Standard-Halbleiter-Workflows normalerweise nicht umsetzbar sind [^1].
Ein Beispiel aus der Praxis
Nimm an, Jordan ist ein Ingenieur, der umfangreiche Datenverarbeitungs-Workloads wie Matrixoperationen und Datenkomprimierungsalgorithmen ausführt.
In einem herkömmlichen Setup laufen Jordans Programme auf Standard-CPU-Kernen, die sich auf komplexe Cache-Kohärenzprotokolle und Hardware-Ausführungseinheiten verlassen, um Datenabhängigkeiten spontan zur Laufzeit zu ermitteln [^1]. Dieser Overhead verbraucht erheblich Energie und schränkt die Leistungsskalierung ein [^1].
Stattdessen kompiliert Jordan in Sprachen wie Vine geschriebenen Code direkt in Interaction Nets zur Ausführung auf der Frostbite-CPU [^1]. Da Interaction Nets sicherstellen, dass jeder Wert einen einzelnen Eigentümer hat und jeder Berechnungsschritt lokal ist, führt Frostbite Graph-Umschreibungen ohne Speichersperren oder Thread-Race-Conditions aus [^1]. Während Aufgaben wie LZ4-Dekomprimierung oder PCA-Analyse aus dem zurückgehaltenen Workload-Set von Frostbite ausgeführt werden, verarbeiten lokale Speicher die Daten genau dort, wo sie verarbeitet werden [^1].
Im Ergebnis erzielt Jordan bis zu die 4,59-fache Leistung pro Watt im Vergleich zur Ausführung derselben Workloads auf einem modernen Dual-Issue-In-Order-Superskalarkern, was den Energieverbrauch und den Rechen-Footprint reduziert [^1].
Passende Produkte
Dieses klassische Lehrbuch erläutert die Prinzipien des Hardware-Designs und die Kompromisse bei der Ausführung, die KI-Systeme wie Frostbite neu denken.