בעידן שבו מאיצי AI ענקיים כמו NVIDIA A100 מעבדים מודלי שפה גדולים (LLM) בקנה מידה של מיליארדי פרמטרים, בדיקות תקלות מסורתיות נתקלות בקשיים עצומים: עלויות מחשוב אדירות וכיסוי לקוי של מצבי כשל קריטיים. מחקר חדש מציג את RIFT – Reinforcement Learning-guided Intelligent Fault Targeting – מסגרת חדשנית שמאוטומטת גילוי תרחישי תקלות מינימליים אך בעלי השפעה גבוהה לבדיקת תקלות יעילה בעיצוב. השיטה הופכת את החיפוש המורכב אחר תקלות הגרועות ביותר לבעיית קבלת החלטות רציפה, ומשלבת ניתוח רגישות היברידי לצמצום מרחב החיפוש עם למידה מחוזקת לייצור חבילות בדיקה מינימליות וממוקדות. (72 מילים)
RIFT נבחנה על עומסי LLM בקנה מידה גדול באמצעות כרטיסי NVIDIA A100, והשיגה האצה של 2.2 פעמים בבדיקת תקלות בהשוואה לשיטות אבולוציוניות. בנוסף, היא צמצמה את נפח וקטורי הבדיקה ביותר מ-99% לעומת הזרקת תקלות אקראית, תוך שמירה על כיסוי תקלות עליון. המסגרת מספקת נתונים פעולה להגנות חומרתיות חכמות, ומדגימה כי קידוד תיקון שגיאות סלקטיבי מונחה RIFT משפר ב-12.8 פעמים את היעילות הכלכלית (כיסוי ליחידת שטח) בהשוואה להגנה אחידה בשלישייה מודולרית כפולה (TMR). (98 מילים)
השיטה משלבת ניתוח רגישות ראשוני לצמצום מרחב החיפוש העצום, ולאחר מכן משתמשת בלמידה מחוזקת כדי להנחות חיפוש חכם שמתמקד בתרחישים בעלי השפעה גבוהה ביותר. זה מאפשר בדיקות יעילות יותר ללא פשרה על איכות, ומתאים במיוחד למאיצים מודרניים שבהם בדיקות מקיפות אינן ישימות עקב מגבלות משאבים. RIFT מייצרת אוטומטית artifacts תואמי UVM לבדיקות RTL, מה שהופך את התוצאות לישירות שימושיות בתהליכי אימות מסחריים. (92 מילים)
לעומת שיטות מסורתיות כמו הזרקת תקלות אקראית או אבולוציונית, RIFT מציעה כיסוי טוב יותר בעלויות נמוכות בהרבה, מה שחיוני לעיצוב שבבים אמינים בתחום ה-AI. בישראל, שבה חברות כמו מובילאיי ומלן פועלות על מאיצי AI מתקדמים, שיטה כזו יכולה להאיץ פיתוח ולשפר אמינות מוצרים. היא מדגישה את הצורך בהגנות ממוקדות על פני הגנות אחידות, חוסכת שטח שבב יקר ומפחיתה צריכת אנרגיה. (85 מילים)
עבור מנהלי טכנולוגיה ומנהלי פרויקטים ב-AI, RIFT מצביעה על כיוון חדש: שילוב למידה מחוזקת בכלי בדיקות חומרה. כיצד זה ישפיע על עיצוב הדור הבא של מאיצי LLM? מומלץ לעקוב אחר הפיתוחים ולשקול אימוץ מוקדם לשיפור יעילות הפיתוח. (58 מילים)