HN 日本語サマリー

← 一覧へ戻る
プログラミング

Frostbite: AIによって発見、設計、検証された新しいCPUアーキテクチャ

Frostbite: A new CPU architecture discovered, designed and verified by AI (architectlabs.com)

628 pointsby shioyama328 コメント

要約

Architect Labsは、AIがゼロから設計・検証した新しい汎用CPUアーキテクチャ「Frostbite」を発表しました。このアーキテクチャは、インタラクションネットの特性を活用し、従来のCPUと比較してワットあたりの性能で4.59倍の向上を達成しました。AIはコンパイラ、ISA、マイクロアーキテクチャ、RTL、検証、GDSまで、設計プロセス全体を自律的に実行しました。

全文翻訳

Frostbiteの紹介:AIによってエンドツーエンドで発見、設計、検証された新しいCPUアーキテクチャ

概要

前回の投稿「Redwood」では、アーキテクチャが与えられれば、当社のAIシステムが推論アクセラレータを記録的な速さで実装、検証、デプロイできることを示しました。しかし、他の科学分野と同様に、AIシステムは適切な自由度とガードレールを与えられれば、ソフトウェアとハードウェアを共同設計し、スタック全体にわたる最適化を行い、これまでアクセスできなかったほど広大な設計空間を開拓できると信じています。私たちは、「当社のAIシステムとツールは、人間が作った設計を根本的に凌駕する新しいハードウェアの発見につながるか?」という問いを立てました。

本日、ゼロから構築された新しい命令セットを持つ汎用CPU、Frostbiteを発表します。Frostbiteは、インタラクションネットの特性、すなわち、すべてのステップがローカルであり、すべての依存関係が明示的であり、すべての値がただ一つの所有者を持つという性質を利用して、長らく停滞していたCPU性能に飛躍的な向上をもたらします。最初に選択された25個のワークロード(最終評価まで非公開だった15個を含む)のセットで、現代のシリコンで実証済みのスーパースカラ(デュアルイシュー、インオーダー)CPUコアと比較して、ワットあたりの性能で4.59倍の向上を達成しました。

当社のAIシステムは、コンパイラ、ISA、アーキテクチャ、マイクロアーキテクチャ、RTL、検証、そして最終的なGDSまでを自律的に反復しました。発見されたアーキテクチャプリミティブを詳しく調べたところ、そうでなければ設計が困難であったであろう新しいハードウェア実装とランタイム機能を見つけ、驚きました。CPUコアの改善が停滞しているにもかかわらず、ワークロードのコンセプトから最終的なGDSまで到達し、性能/ワットおよび性能/面積の飛躍的な増加を証明することができました。AIシステムの能力が高まるにつれて、データセンターグレードのCPUからAIアクセラレータ、ネットワークスイッチ、NICに至るまで、今日私たちが知っているあらゆるクラスのチップが同様の根本的なアーキテクチャシフトを経験すると信じています。

インタラクションネットの紹介

汎用CPU向けにコンパイルされる主流のプログラミング言語は、プログラムの部分間の依存関係を隠蔽します。コードのどの部分も、共有されたミュータブルな状態を通じて任意の変数を読み書きできます。そのため、現代のCPUハードウェアは最悪のケースを想定し、実行時にどの命令が実際にお互いに依存しているかを再発見します。さらに、シングルコアCPUの性能は2000年代初頭から停滞しており、人々はIntel Xeon、AMD Zen、NVIDIA Veraのような大規模なマルチコアCPUへと移行しています。これは、CPUがすべてのコアが同じメモリを見ているという幻想を維持することを強制し、その幻想を一貫性があり高性能に保つためには、領域と電力を消費し、スケールしにくい深いキャッシュ階層とコヒーレンシプロトコルが必要です。

インタラクションネット1は異なるアプローチを取ります。プログラムはノードのグラフであり、計算はポートを通じて接続されたノードのペアを書き換えることで発生します。各書き換えはグラフの小さなローカル部分にのみ影響します。各ノードはただ一つの主ポートを持つため、これらのアクティブなペアが重複することはありません。そのため、任意の順序で、あるいはすべて同時に書き換えることができ、結果は常に同じです。インタラクションネットは線形でもあります。つまり、各値は一度だけ使用されるため、ハードウェアが保護する必要のある共有ミュータブル状態はありません。Vine2のような言語は、普通のプログラムを直接インタラクションネットにコンパイルします。インタラクションネットとそのハードウェアへの適合性に関する優れた入門として、Tendrilsの「On Interaction Nets」を強く推奨します。3

図1. 5つのクイーン、2つの方法。左側はC++プログラムが一度に1ステップずつ探索ツリーを歩行します。右側は、同じ探索がインタラクションネットとして多くのブランチを一度に探索します:262ステップのクリティカルパスで3,183回のインタラクション。

図1は、小さな探索問題における違いを示しています。5x5のボードに5つのクイーンを配置する問題です。逐次プログラムは一度に1つの候補を訪問します。インタラクションネットは、独立した作業のすべてを公開します。平均して、各ステップで約12回のインタラクションが実行可能です。この並列性を得るためにプログラムは何も書き換えられていません。依存関係が決して破棄されなかっただけです。

理論的には、これには2つの大きな利点があるはずです。1つ目は、無料のマルチスレッディングです。粗い粒度から細かい粒度まで様々な並列性レベルではなく、並列性はプログラムから直接来ます。スレッド、ロック、競合状態はなく、従来のコアがそれを掘り起こすために使用する順序外実行メカニズムもありません。2つ目は、各値に1つの所有者がおり、各ステップがローカルであるため、データは使用場所の近くの小さなローカルメモリに配置できることです。これにより、従来のチップが大規模なキャッシュサブシステムに費やす領域と電力の多くが削減され、それらのキャッシュをコヒーレントに保つシステムレベルの複雑さの多くが解消されます。

プロセス

Frostbiteは、アーキテクチャに関する事前知識なしに設計されました。私たちは以下のプロセスに従い、その過程で複数のエージェントスワームを活用しました。

[画像: Frostbiteプログラムのタイムライン。アーキテクチャ探索からアライメント、イテレーションまでの主要なイベントとステージ、および各ステージで作成されたエージェントのワークツリーを示す。]

図2. Frostbiteプログラム、最初の提案からアブレーションまで:主要なイベント、作業のステージ、およびエージェントが作成したワークツリー。各ブランチはフェーズの色で描かれている。

アーキテクチャ探索と選択

アーキテクチャ探索を開始するために、Frostbiteが非常にうまく実行すべきワークロードのセットを確立する必要がありました。プログラムが作業を公開する方法のさまざまな側面を検討することにしました。一度に多くの独立したピース、並列作業のラウンド、長い逐次チェーン、データ依存ブランチ、再帰です。各カテゴリの下で、最終的なFrostbiteを評価するための探索セットと評価セットを作成し、設計がチューニングされなかったプログラムにも汎化することを保証しました。FFT、radixsort、LUのカーネルは、SPLASH-2ベンチマークの実装に従っていますが、サイズは64分の1です。なぜなら、通常のサイズでは探索作業に適さないからです。

その後、評価セットに5つの実用的なワークロードを追加しました。カルマンフィルター、PCA、有限要素解析、LUソルブ、LZ4解凍です。

[画像: 5つのグループに分けられた25個のワークロードの表。各グループは探索セットと評価セットに分割されている。並列:gemm、chacha20、spmv(探索セット);conv2d、radixsort、pca(評価セット)。ステージ:fft、binomial(探索セット);lcs、bfs、emeans、lu solve、fea(評価セット)。逐次:biquad、sha256(探索セット);huffman、kalman(評価セット)。分岐:json(探索セット);randomforest、lz4(評価セット)。再帰:mergesort、nqueens(探索セット);quicksort、kdtree、fib(評価セット)。]

図3. 25個のワークロードすべて。プログラムが作業を公開する方法別にグループ化され、エージェントがチューニングした探索セットと、非公開の評価セットに分割されている。各ワークロードの実行サイズも示されている。

エージェントは、学術論文や既存のベンチマークを合成し、Pythonモデルを構築して、高レベルのアーキテクチャアイデアをトレードオフし、単一のアーキテクチャコンセプトに絞り込みました。この探索の出力は、提案されたプログラミングモデル、ランタイム、およびチップの高レベルブロックをカバーする141ページのPDFでした。これは最終的なアーキテクチャにはほど遠いものでしたが、すべての先行研究、高レベル要件、制約、実験、およびランタイム特性が記述された出発点でした。最初のアーキテクチャイテレーション(最初のRTL生成)が完了すると、多くの数値や推定値が物理的に可能なものから大きく外れていたため、これは削除されました。

形式契約とシステムモデリング

アーキテクチャ候補が選択されると、当社のシステムはチップの完全なソフトウェアモデルの構築に進みました。チップのソフトウェアモデルの構築は、アーキテクチャ空間を探索する際に不可欠です。なぜなら、ワークロード、ISA、およびハードウェアの抽象化されたビューの間で高速なイテレーションを可能にするからです。CPU、GPU、NPU、またはネットワークスイッチを構築する場合でも、このイテレーションループをマスターすることで、有限の時間内で設計空間を最も速く探索できます。これを繰り返し行うために、新しい社内仕様言語ASLを設計し、Frostbiteのシステムモデル「Arcmodel」をそれに記述しました。ASLは、RTL、システムモデル、UVM、SVAなどとの間で、機械的にチェック可能な変換と洗練をサポートし、すべて正式に裏付けられた仕様に対して行われます。そのパワーとパフォーマンスの推定値は1〜5%の精度であり、RTLシミュレーションよりも約200倍高速に実行され、「契約」を通じて形式的に検証可能です。

これまでのすべてのシリコンプログラムにおいて、人間のアーキテクトは実装チームと検証チームに引き渡す前に多くの英語のPDFを作成してきました。しかし、自然言語は実装が必要とするすべての詳細を正確かつ曖昧さなく捉えることはできず、ASICが設計および検証されている間に、すべてのエージェントの幻覚が捕捉されることを保証することもできません。自然言語はこの目的のために構築されておらず、AIが仕様を書く世界では、代わりに形式的で機械的にチェック可能な仕様言語を選択します。

ASLは、順序外処理、CSRプログラミング、メモリ順序、コヒーレンシなどの高レベルのプロトコルライクな動作と、パイプライン、アービトレーションメカニズム、計算転送関数などの低レベルの詳細の両方を形式的に記述できます。これにより、モデルは有用な場所では仕様をオープンエンドにし、正確な動作が必要な場所では厳密に制約できます。ASLはネイティブにLean4にも変換され、RTL、UVM、C、SVAなど全体でAIの出力をチェックする際のすべての定理証明に使用します。ASLについては、今後の投稿でさらに詳しく説明します。

Frostbiteの開発全体を通じて、当社のAIはFrostbite ISA、Arcmodel、設計、および検証を緊密に連携させて反復し、ASL契約を真実の情報源として維持します。単一の証明可能な真実の情報源を持つことで、大規模なエージェントスワームを展開する際のバグ、単純な間違い、および報酬ハッキングのインスタンスの大部分を防ぐことができます。最終的に、この共通言語により、モデルはスタック全体で機敏に作業できるようになり、ワークロードから最終的なハードウェアに伝播された変更を反映します。最終的に、Frostbite ASLは80万行以上のLeanコードにまで削減されました。

[画像: チップの各ブロックにつき31個のクラスタのウェブ。各クラスタは、そのLean契約が名前を付けた信号、イベント、状態、および節で構成され、ブロックが信号を共有する場所で青い曲線で結ばれている。その下には、フレームマネージャーの契約が描かれており、左側の信号がイベント、状態、および右側の49個の節に供給されている。]

図4. 全31ブロックのLean契約。各ブロックは、その契約が名前を付けたもののクラスタであり、何が何を読み取るか、そして青色で、ブロックが共有する信号によって結合されている。下では、フレームマネージャー(FRM)ブロックにズームインしている。

RTLとアライメント

ASLは形式的に裏付けられた仕様であるため、そこから派生したRTLの設計と検証は、Frostbiteプロセス全体で最も速い部分です。しかし、Arcmodelは物理的に認識できないため、その電力とパフォーマンスの推定値は、タイミング収束した、合成クリーンなRTLの実際の数値から、最悪の場合約250%乖離します。

ASLの自動リサーチを継続する前に、当社のシステムの一つがArcmodelをRTLに対して再調整します。これは完全に自律的なパイプラインです。まず、RTLの電力ホットスポットを特定し、それを形式仕様の主要なカウンター(SRAMの読み書き、操作数、送信および受信されたフリット、クレジットリターン、フレームミスなど)にトレースします。その後、モデルはそれらのカウンターに対して任意のスカラーPython関数を記述して電力を予測でき、このプロセスをRTLとArcmodelが5%以内で一致するまで繰り返します。

このスタイルの非勾配学習は非常に強力であることがわかりました。この最初の物理アライメントが適用されると、後続のイテレーションははるかに高速になります。これらは、もちろん、まだシリコン前の電力数値であり、複数のテープアウトループを通じて、ASLモデルは実際のポストシリコン、製造電力数値と相関させることができます。

[画像: プログラム全体でのモデルエネルギーとRTLエネルギー予測誤差のグラフ。Pythonモデルは40〜130%の誤差を示し、Arcmodelは最初の電力フィット後に250%の最悪ケース誤差から、検索後6%未満の最悪ケースと約1.5%の中央値に低下した。]

図5. プログラム全体でのモデルエネルギーとRTLエネルギーの誤差。PythonモデルはRTLから大きく外れたままであった。最初の電力フィット後、Arcmodelは再調整され、誤差が1〜5%の範囲に低下するまで検索された。

ArcmodelとRTLをこれほど密接にアラインメントすることで、継続的なスワームはより迅速に探索および活用できるようになりました。完全なArcmodelチップシミュレーションはRTLよりも高速(660倍高速)であり、多くのクロススタック最適化につながりました。例えば、当社のAIシステムは非常に細かい粒度のクロックゲーティングトリックを発見し、ソフトウェアランタイムをそれに応じて調整して数時間でそれらを収容しました。このようなクロススタック最適化は、従来のASICフローで実行することはほぼ不可能です。

契約、Arcmodel、RTL、および電力の共同イテレーション

ArcmodelとRTLが一致すると、元のPythonモデルとアーキテクチャPDFは削除され、ASL契約がチップの唯一の仕様となりました。それ以降、契約、Arcmodel、RTL、および電力は一緒に進みました。エージェントのスワームは、並列ワークツリーでアーキテクチャの改訂を提案しました。各変更は契約に対してチェックされ、Arcmodelでモデル化され、RTLで実装され、電力測定が行われ、保持されるか破棄されるかのいずれかでした。4回の検索と最終的なアブレーションラウンドを通じて、スワームは58個のアイデアを試し、37個を採用しました。これには、実行中のタイルでのクロックゲート、より小さなL3テーブル、および1つの共有エクステンダーが含まれます。

図6. プログラムの最初のリリースから終了までを描写。各検索のアイデア、それらになったワークツリー、およびそれらに取り組んだエージェント。採用または破棄された各アイデア。

アーキテクチャの新規性

アーキテクチャの詳細全体は、独自の投稿に値するでしょう。ここでは、新規または創造的と見なした機能に焦点を当て、ハードウェア設計のフロンティアを押し広げる当社のシステムの能力を強調することを選択します。

FrostbiteのプログラムはVine2で記述されており、これはRustに似た構文を持つ完全なプログラミング言語です。Vineプログラムは、インタラクションネット構造をエンコードする中間表現(IR)であるIvyにコンパイルされます。オプティマイザは、グラフ削減ルールを可能な限り多く適用しようとするため、最終的なIvyネットは、データ、計算ノード、制御ノードの3つのプリミティブで構成される(ほとんど)固定形状を持ちます。しかし、このネットのランタイムは依然として非常に動的です。なぜなら、並列性が構造にエンコードされ、時間とともにパイプライン化される典型的な計算グラフとは異なり、並列性は実行時に状態から導出され、空間的にパイプライン化されなければならないからです。最初の単純な実装は遅かったため、エージェントは創造的になる必要がありました。

生成されたISAは、この制約セットから導出されます。その多くは予想されるものです。ワイドバンドル、ハードウェアループカウンター、ストリームです。動的な機能、特に並列で実行される他の部分のネットから値を取得、ピーク、コピーする操作は、より興味深いものでした。その後、タイルが生き生きとし、空間を介して通信します。

図7. Frostbiteでのコードからハードウェアへの変換。最初の呼び出しがチップをポピュレートし、その後、それが呼び出す呼び出しが同じノードを再帰的に再利用しながら続きます。これにより、すべてのタイルが同時に動作します。再帰は空間に広がっています。

出現特性:ワークの盗み取り

並列性が空間に広がっているため、中央スケジューラはありません。代わりに、エージェントが作業を伝播するためのエレガントなルールを設計するのを見ました。タイルは3つのルールに従います。まず、入力ポートの作業を優先して実行します。それらが空の場合、余剰のある隣接タイルから作業を取得します。そのようなタイルが見つからない場合は、非アクティブになって電力を節約できます。

エージェントは、これを実装する方法において驚くべき洗練度を示しました。以下に、単一のFrostbiteタイルのハードウェアを示します。

[画像: 1つのFrostbiteタイルのブロック図:フロントエンド、エンジン、メモリ、システムブロック。ランタイム(フレームマネージャー、スケジューラ、ワークキュー、アウトレット)とネットワークインターフェイスが強調表示され、ルーター、スタティックスイッチ、クワッドディバイダー、設定バスがタイルの外側にある。]

図8. Frostbiteタイル。境界ボックスは、ブロックのドメインをどのように考えるかを示している。

その多くは馴染みのあるもののはずです。私たちは、上記で説明したワークスティリング動作を担当するランタイムドメインに興味があります。

コンパイラはコードを短いセクションに分割し、入力が準備されると中断なく実行されます。これらはエンジンで実行され、主に従来の計算のようにフロントエンドで編成されます。ループまたはブランチが、事前にサイズがわからない並列部分に分割されると、実行中のセクションは、後続のすべてをローカルメモリの小さなレコードであるフレームマネージャーに一時停止します。その後、新しいタスクをワークキューと呼ばれるハードウェアキューにドロップし、自身で最新のものを取得します。アイドル状態の隣人は、残りのタスクをネットワーク経由でプルできます。タスクがチップ上のどこかで任意の順序で完了すると、それらの戻りパケットが一時停止されたレコードのカウンターを減らし、最後のピースが到着した瞬間に次のセクションを自動的にウェイクアップします。

これはハードウェアでは次のようになります。

図9. タイルがワークロードを共有する方法。

各「タスク」は、現在のボードから1レベル下、さらに1つのクイーンを追加した状態と考えることができます。タイル0は、現在のボード状態を終了する前に、可能なクイーン構成すべてに対して3つのタスクをキューに入れる必要があります。それはアイドル状態なので、最新のタスク(自身から)を取得して実行します。その間、隣人は他のタスクを取得していますが、タイル5はスリープに戻ります。

この動作は、人間によって指定されたものではありませんでした。特定の回帰とヒルクライミングパフォーマンスメトリックでの必要性から直接トレースできます。

結果

Frostbiteを7nmプロセスで合成し、合成時に800MHz、最終GDSで500MHzのタイミングを達成しました。Frostbiteクアッド(タイルの2x2グリッド)と4つのL3ノードのペアは0.792 mm²です。Frostbiteクアッド+L3クラスタ1つを、現代のスーパースカラ(デュアルイシュー、インオーダー)CPUのシングルコアと比較してベンチマークしました。これをTCPU(「従来のCPU」)と呼びます。このTCPUは、同じプロセスで0.895 mm²です。†

[画像: Frostbiteチップのレイアウト。7nmプロセス上の4x4のタイルのアレイ。左上にアウトラインされ「Frostbite quad」とラベル付けされた2x2タイル、左端にアウトラインされ「L3 node」とラベル付けされた1ブロック。]

図10. Frostbiteレイアウト、4x4タイル、7nmプロセス。1つのFrostbiteクアッド(2x2タイル)と1つのL3ノードがアウトラインされている。

gemmやconv2dのような密な並列カーネルから、JSON解析、ハフマンコーディング、k-dツリー、再帰フィボナッチのような不規則な分岐プログラムまで、幅広いワークロードでベンチマークを行いました。ワークロードの探索セットが、すべてのアーキテクチャ最適化、ISA設計、RTL、および検証を推進し、チップは10個の探索セットワークロードと、追加された5つの実用的なワークロードを含む非公開の15個のワークロードの両方で評価されました(図3)。

公平な比較のため、まず「シングルコア」パフォーマンスを測定することにしました。これは、面積が類似しているため、FrostbiteクアッドをTCPUと比較してベンチマークすることで行いました。すべてのワークロード全体で、平均8.77倍の性能/面積を達成し、すべての25のワークロード(探索セットと非公開セットの両方)全体で、FrostbiteはTCPUの性能/ワットの幾何平均4.59倍に達しました。探索セットワークロードでは6.02倍、チューニングされなかった非公開ワークロード15個では3.83倍でした。予想通り、アーキテクチャは高度に並列化可能なタスクで最も強く機能しますが、分岐する動的なコードでもTCPUを上回ります。

[画像: 25個のワークロード全体でのTCPUに対するFrostbiteクアッドの性能/ワットの比較を示す棒グラフ。探索セットは青、非公開セットは薄い青。conv2d(評価セット)の23.12倍からfib(評価セット)の1.15倍まで。幾何平均を示す破線:評価セットで3.83倍、全25で4.59倍、探索セットで6.02倍。]

図11. TCPUのベストビルドに対する1つのFrostbiteクアッドの性能/ワット。25個のワークロード(探索セットの10個と非公開評価セットの15個)全体での比較。破線は、評価セット、全25、および探索セットの幾何平均を示す。

[画像: エネルギー共有の積み上げ棒グラフ:TCPU 57%メモリ、27%フェッチ、デコード、発行、13%コンピューティング;Frostbiteクアッド 38%メモリ、6%フェッチ、デコード、発行、16%コンピューティング、26%オンチップネットワークとスケジューラ、14%その他;4x4 Frostbite 40%メモリ、7%フェッチ、デコード、発行、18%コンピューティング、23%オンチップネットワークとスケジューラ、11%その他。]

図12. TCPU、Frostbiteクアッド1つ、およびフル4x4 Frostbiteの機能別エネルギー共有(クロック配布を除く)。20個のワークロードの平均。

エネルギーの内訳は、節約がどこから来るかを示しています。クロック配布(TCPUエネルギーの49%、Frostbiteクアッドの41%)を除くと、TCPUはエネルギーの57%をメモリに、27%を命令のフェッチ、デコード、発行に費やしています。Frostbiteはメモリを38%、フェッチ、デコード、発行をわずか6%に削減します。その代わりに、オンチップネットワークとスケジューラに26%を費やしています。これは、タイル間の作業共有とメッセージ移動のコストです。しかし、さらにエキサイティングなのは、チップを4x4アレイ(4つのクアッド)にスケールアップすると、電力分布が比較的同じであることです。汎用マルチコアCPU構成では、コア数の増加は重いコヒーレンシメカニズムと大規模キャッシュの追加を必要としますが、インタラクションネットを実行する場合、同じデータ局所性ルールが常に適用され、コアが増えてもシステム複雑性は増加しません。これは以下に示されています。今後数ヶ月で、Frostbiteメッシュ構成を、大規模なキャッシュとより大きく、より広く、順序外実行CPUを備えたマルチコア「TCPU」構成と比較して、SPECやPARSECなどのより広範な業界ベンチマークでベンチマークする予定です。

[画像: 並べて表示されたフロアプランの概略図:それぞれ独自のL1およびL2を持つ8コアのTCPU、その周りに1つの大きな共有L3。Frostbite:それぞれが独自の小さなメモリブロックを持つタイルの8x8グリッド。]

図13. メモリの配置。マルチコアTCPUは、コア間でL1、L2、L3キャッシュの深い階層を共有します。Frostbiteは、すべてのタイルに独自の小さなメモリを提供します。概略図、スケールなし。

今後の展望

インタラクションネットは35年以上前から存在していますが、その生産価値はこれまで十分に明らかになっていませんでした。歴史的に、アウトオブディストリビューションアーキテクチャを探索することには、確信を得るための時間、投資、および労力の点でリスクが常にありました。AIはこの経済性を根本的に変えると信じています。より高いパフォーマンスとより低い電力の探求において、ワークロード、ISA、およびハードウェアの極端な共同設計が引き続き要求されるでしょう。大規模なエージェントスワーム、洗練された探索空間技術、正確なガードレール、形式検証、および高速なEDAツールにより、AIシステムは人間の認知能力を超える品質の新しいアクセラレータを発見し、構築できるようになります。やるべきことはまだたくさんありますが、自律的なチップ設計の未来がどのようになるか、世界と共有するのに適切な時期だと感じています。Frostbiteの開発を継続する予定です。これには以下が含まれますが、これらに限定されません。

  • FPGA上でホストされる、誰でもFrostbiteでプログラムを実行できるソフトウェアプレイグラウンドを提供する。
  • ハードウェアリソース、複数のプログラム、仮想化などを管理できる予備的なオペレーティングシステムを構築する。
  • スワームをスケールアップしてFrostbiteをより高い性能/ワットに引き上げ、より広範なCPUセットと比較して、より大規模なワークロードセットでベンチマークする。
  • FrostbiteのRTLとISAをリリースする。

私たちはとても楽しんでいます!

注記

†法的理由により、正確なCPUを開示することはできません。

参考文献

  1. 1.Lafont, Y. (1990). “Interaction Nets.” Proceedings of the 17th ACM SIGPLAN-SIGACT Symposium on Principles of Programming Languages (POPL ’90), 95–108. doi:10.1145/96709.96718
  2. 2.The Vine programming language. vine.dev
  3. 3.Tendrils (2026). “On Interaction Nets.” tendrils.co/blog/2026-04-26/on-inets
  4. 4.de Moura, L., and Ullrich, S. (2021). “The Lean 4 Theorem Prover and Programming Language.” Automated Deduction – CADE 28, LNCS 12699, 625–635. doi:10.1007/978-3-030-79876-5_37