Fengshui: как совместное проектирование чиплетов снижает затраты на создание ИИ-ускорителей

Fengshui: совместное проектирование чиплетов и нейросетевых ускорителей

Университет Мичигана опубликовал на arXiv техническую работу "Fengshui: Demystifying Chiplet Ecosystem and Bespoke Neural Network Accelerator Codesign". Фреймворк совмещает в одной оптимизации пул доступных чиплетов и параметры заказной ASIC-микросхемы под конкретную нейросетевую задачу. По данным Semiconductor Engineering, основная цель — снизить энергопотребление и затраты на проектирование ИИ-ускорителей.

Архитектура под капотом

Fengshui работает как двухуровневый оптимизатор. На верхнем уровне выбирается набор чиплетов из пула — по площади кристалла, пропускной способности межсоединений, ограничениям по питанию и теплоотводу. На нижнем — рассчитывается топология заказной ASIC, обозначенной в работе как BASIC, согласованная с этим набором. Совмещение позволяет уйти от раздельной оптимизации, при которой пул чиплетов и архитектура ускорителя проектируются независимо и стыкуются с потерями.

Работа индексирована как arXiv:2609.10970, сентябрь 2026.

Где это ложится в инфраструктуру ИИ

Рост операционных расходов дата-центров под крупные модели выводит энергоэффективность ускорителей в первую строку. Если заявленное снижение подтвердится вне симуляции, появляется путь к дешёвым специализированным ускорителям под конкретную архитектуру модели — без полного цикла проектирования монолитного чипа. Порог входа для компаний, которым нужен собственный кремний под свои нейросетевые задачи, но не хватает ресурсов на разработку с нуля, заметно снижается. На фоне продолжающегося обсуждения цепочек поставок ИИ и инфраструктуры подобные фреймворки смещают фокус с универсальных GPU на пулы специализированных блоков.

Неопределённости

Полный текст работы в публикации Semiconductor Engineering не воспроизведён; приведён лишь аннотационный фрагмент. Численные показатели экономии энергии и сокращения сроков проектирования не приведены. Не подтверждено, проходил ли фреймворк верификацию на реальном кремнии или ограничился модельным уровнем. Для практической оценки нужны бенчмарки на физических прототипах, а также прямое сравнение с существующими коммерческими chiplet-платформами и открытыми фреймворками codesign.