在 NVIDIA Develope 上发布的新博客中，该公司重申了其上风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 紧张是利用最前辈的 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，利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，同时供应更好的性能。

打算机芯片中的算术电路是利用逻辑门网络（如 NAND、NOR 和 XOR）和电线构成的。
空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：降落延迟以提高芯片的性能。

● 花费更少的功率：芯片的功耗更低。

NVIDIA 利用这种方法设计了近 13000 个 AI 赞助电路，与同样快速且功能相同的 EDA 工具比较，它们的面积减少了 25%。
但是 PrefixRL 被提到是一项打算哀求非常高的任务，并且对付每个 GPU 的物理仿照，它须要 256 个 CPU 和超过 32,000 个 GPU 小时。
为了肃清这个瓶颈，NVIDIA 开拓了 Raptor，这是一个内部分布式强化学习平台，它特殊利用 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演习速率的功能，例如作业调度、自定义网络和 GPU 感知数据构造。
在 PrefixRL 的高下文中，Raptor 使得跨 CPU、GPU 和 Spot 实例的稠浊分配事情成为可能。

这个强化学习运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，例如褒奖或统计信息。

● 一种 JIT 编译的 RPC，用于处理大容量和低延迟的要求，例如上传体验数据。

NVIDIA 得出结论，将 AI 运用于现实天下的电路设计问题可以在未来带来更好的 GPU 设计。
完全的论文在此处，您也可以在此处访问开拓职员博客以获取更多信息。