Yapay Zeka Destekli Çip Tasarımı: Architect Labs Redwood'u İki Haftada Üretti

Yapay zeka modelleri aylar içinde evrilirken, bunların çalıştığı çiplerin tasarımı yıllar öncesinden kilitleniyor. Bu süreyi kısaltmayı hedefleyen Architect Labs startup’ı, yapay zeka tabanlı sistemini kullanarak bir çıkarım çipinin tasarımından FPGA uygulamasına kadar geçen süreci iki haftanın altına indirmeyi başardı. Ağustos ayında yayınlanan teknik rapora göre, şirketin Architect Labs Platform isimli yapay zeka sistemi, insan mühendislerinin sadece yüksek düzeyde bir spesifikasyon yazdığı aşamadan sonra performans modellemesi, dijital donanım tanımları, test, doğrulama, firmware ve kernel üretimi dahil olmak üzere tüm tasarım akışını otomatik olarak yönetti. İnsan müdahalesinin sadece spesifikasyon seviyesinde kaldığı bu süreçte geliştirilen Redwood adlı düşük güç tüketen çip, şu ana kadar sadece FPGA üzerinde çalıştırıldı ve silikon üretimine henüz geçmedi.

Tasarım Sürecinde Devrim Niteliğinde Değişim​

Geleneksel çip tasarım yöntemlerinde aşamalar dondurulur ve değişiklikler ya geçici çözümlerle yapılır ya da sonraki nesillere ertelenir. Architect Labs araştırmacılarına göre, spesifikasyon değişiklikleri doğrulandıktan sonra modifiye edilmiş tasarım 48 saatten kısa bir sürede FPGA platformunda tekrar çalıştırılabiliyor. Sistem, aynı süre içinde bir insan ekibinin kapsayamayacağı kadar büyük bir mikromimari arama uzayıyı tarayabiliyor. Bir vektör motoru için farklı kontrol mantığı ve veri yollarına sahip birden fazla seçenek üreten yapay zeka, alan ve zamanlama kısıtlamaları göz önünde bulundurarak tasarımları optimize ediyor. İnsan uzmanlar ise fonksiyonel, alan, performans, zamanlama ve güç geri bildirimlerini kullanarak spesifikasyonu ayarlıyor; sistemin de tasarımı yeniden üretip doğrulamasıyla yazılımdan silisyona uzanan süreç tek bir optimizasyon döngüsüne dönüşüyor.

Sektörel Veriler ve İlk Silikon Başarı Zorluğu​

Mevcut çip tasarım ekosistemindeki zorluklar, yeni yaklaşımın neden gerekli olduğunu net şekilde ortaya koyuyor. Siemens EDA’nin Wilson Research Group’tan sipariş ettiği bir işlevsel doğrulama araştırmasına göre, 2024 yılında entegre devre (IC) ve özel uygulama entegre devre (ASIC) projelerinin yalnızca yüzde 14’ü ilk silikonda başarı elde edebildi. Bu oran, son iki on yılın en düşük rakamı olarak kaydedilirken, projelerin yüzde 75’i planlanan takvimin gerisinde ilerledi. Architect Labs araştırmacıları, bu verilerin çip tasarım kararlarının derin belirsizlikler altında verilip çift kez maliyetlendirildiğini belirtiyor. Yedeklemenin getirdiği genel yapıya yapılan harcamalar ve donmuş silikona yeni yüklerin uymaması durumunda doğacak ek maliyetler, mevcut sürecin temel sorunları arasında yer alıyor.

Redwood’un Mimarisine Performans Projeksiyonları​

Redwood çipi, gecikme, güç tüketimi ve öngörülebilirlik gibi üç pratik sorunu çözmek amacıyla tasarlandı. Verinin hesapla birimlerine mümkün olduğunca yakın tutulması, sürekli geri-ileri veri aktarımının önüne geçiyor. Çip, benzer yapı bloklarından oluşan bir ızgara mimarisine sahip. Her blok belirli bir işlem dilimini gerçekleştirip komşu bloklara aktarıyor. Kontrol ile hesaplamayı ayırarak mantığın hızlanmasını veya kapanmasını sağlayan mimari, hafıza yakınındaki işlem ve ağ üzerindeki akış kontrolü sayesinde enerji kaybını minimize ediyor. Global bir zamanlayıcı ise her kernel’in programlanmasını sağlayarak sürecin daha öngörülebilir hale gelmesini sağlıyor.
Performans analizlerinde araştırmacılar, Edge AI için ticari bir taban noktası olarak gördükleri Nvidia Jetson Orin Nano ile Redwood’un FPGA varyantı olan Redwood Nano’yu karşılaştırdı. Ölçülen sonuçlarda, 250 megahertz saat hızında çalışan Redwood Nano, Qwen3 0.6B büyük dil modelinde saniyede ortalama 12,1 token üretirken; 1020 megahertzde çalışan Jetson Orin Nano saniyede 28 token’e ulaştı. Nvidia üzerindeki avantaj yalnızca silikon üretim projeksiyonlarında belirginleşiyor. Nvidia’nın kullandığına benzer Samsung 8nm sınıfı bir süreç varsayıldığında, Redwood Nano’nun saniyede 49 token üreteceği, yaklaşık yarım güç (1,335 watt’a karşılık 2,59 watt) harcayacağı ve watt başına performansta 3,4 katlık bir artış sağlayacağı tahmin ediliyor. NPU bloğunun ise sadece 2,88 milimetrekare alan kaplayacağı hesaplanıyor.

Kendini Geliştiren Yapay Zeka ve Gelecek Planları​

Araştırmacılar, yaptıkları deneylerden birini erken bir “özyineli kendi kendini iyileştirme” formülü olarak nitelendiriyor. Qwen3 modeli Redwood üzerine deploy edildi, yapay zeka sisteminde çıkarım uç noktası olarak açıldı ve modele tekrarlı örneklemeler uygulandı. Model, kendisine ait çeşitli operasyonlar için zamanlama iyileştirmeleri ve kernel optimizasyonları bularak yapay zeka hızlandırıcısının gelecekteki neslinin geliştirilmesine katkı sağladı. Araştırmacılar, bunun bir yapay zeka sisteminin önce bir AI hızlandırıcısı tasarlayıp, üzerine bir AI modeli yerleştirerek onu gelecekteki nesli geliştirmek için kullanan erken bir örnek olduğunu belirtiyor. Şu anda FPGA üzerinde sınırlı kalan Redwood’un, daha büyük modellerle ölçeklendirilmesi, fiziksel tasarıma geçilmesi, tapeout yapılması ve silikon sonrası doğrulama testlerine başlanması planlanıyor. Architect Labs, blog gönderisinde Redwood’un TSMC fabrikalarında tapeout sürecine hazırlanıldığını duyurdu.

Sıkça Sorulan Sorular​

Architect Labs’ın yapay zeka sistemi çip tasarımını ne kadar sürede tamamladı?​

Sistem, yazılı bir spesifikasyondan başlayarak performans modellemesi, donanım tanımı, test, doğrulama ve firmware üretimi dahil tüm akışı iki haftanın altında tamamladı. Spesifikasyon değişikliği sonrası güncellenmiş tasarım 48 saatten kısa sürede FPGA’da tekrar çalıştırılabildi.

Redwood çipi şu anda hangi platformda çalışmaktadır?​

Redwood, silikon üretimine henüz geçmemiş olup tamamen FPGA (Field-Programmable Gate Array) üzerinde çalıştırılmaktadır. Araştırmacılar fiziksel tasarım ve tapeout aşamalarına geçmeyi planlamaktadır.

Nvidia Jetson Orin Nano ile yapılan ölçüm sonuçları nasıl çıktı?​

FPGA üzerinde yapılan ölçümde, 250 MHz'de çalışan Redwood Nano Qwen3 modelinde saniyede 12,1 token üretirken, 1020 MHz'de çalışan Nvidia Jetson Orin Nano aynı modelde saniyede 28 token üretti.

Silikon üretimine geçildiğinde Redwood’un performans ve güç profili nasıl olacak?​

Samsung 8nm sınıfı bir süreç varsayıldığında, Redwood Nano'nun saniyede 49 token üreteceği, 1,335 watt güç harcayacağı (Jetson'un 2,59 watt'ına karşılık) ve watt başına performansta 3,4 katlık bir artış sağlayacağı projekte ediliyor.

Yapay zeka sistemi çip tasarımında nasıl bir öz-geliştirme süreci izledi?​

Qwen3 modeli Redwood üzerine kurulup sisteme çıkarım uç noktası olarak eklendi. Model, kendi operasyonları için zamanlama iyileştirmeleri ve kernel optimizasyonları bularak yapay zeka hızlandırıcısının gelecekteki neslinin geliştirilmesine katkı sağladı.