Jan 01, 1970
ChipNeMo：适用于芯片设计的领域法学硕士：致谢、贡献和参考文献
太長; 讀書
研究人员提出了 ChipNeMo，利用领域自适应来增强用于芯片设计的 LLM，实现模型尺寸缩小 5 倍，同时获得更佳的性能。作者：
（1）刘明杰，NVIDIA{同等贡献}；
（2）Teodor-Dumitru Ene，NVIDIA{同等贡献}；
（3）NVIDIA 的 Robert Kirby {平等贡献}；
（4）Chris Cheng，NVIDIA{同等贡献}；
（5）Nathaniel Pinckney，NVIDIA{平等贡献}；
（6）梁荣建，NVIDIA{同等贡献}；
（7） 乔纳·阿尔本（NVIDIA）；
（8）NVIDIA 的 Himyanshu Anand；
（9） 桑米特拉·班纳吉（Sanmitra Banerjee），NVIDIA；
（10）Ismet Bayraktaroglu，NVIDIA；
（11） NVIDIA 的 Bonita Bhaskaran；
（12）NVIDIA 公司的布莱恩·卡坦扎罗（Bryan Catanzaro）
（13）NVIDIA 的阿琼·乔杜里（Arjun Chaudhuri）
（14）莎朗·克莱（NVIDIA）
（15） NVIDIA 的比尔·戴利（Bill Dally）
（16） 劳拉·当（NVIDIA）
（17） 帕里克希特·德什潘德（Parikshit Deshpande），NVIDIA；
（18）Siddhanth Dhodhi，NVIDIA；
（19）Sameer Halepete，NVIDIA；
（20）埃里克·希尔（Eric Hill），NVIDIA；
（21） 胡嘉尚，NVIDIA；
（22）苏米特·贾恩（NVIDIA）；
（23） NVIDIA 的 Brucek Khailany；
（24） 乔治·科凯（George Kokai），NVIDIA；
（25） 基肖尔·库纳尔（NVIDIA）；
（26）李小薇，NVIDIA；
（27） 查理·林德（NVIDIA）；
（28）刘浩，NVIDIA；
（29） 斯图尔特·奥伯曼（NVIDIA）；
（30） 苏吉特·奥马尔（NVIDIA）；
（31）Sreedhar Pratty，NVIDIA；
（23）乔纳森·雷曼（NVIDIA）；
（33） 安巴尔·萨卡尔（Ambar Sarkar），NVIDIA；
（34）邵正江，NVIDIA；
（35） 孙汉飞，NVIDIA；
（36）Pratik P Suthar，NVIDIA；
（37）Varun Tej，NVIDIA；
（38）沃克·特纳（NVIDIA）；
（39）徐凯哲，NVIDIA；
（40）NVIDIA 任浩星。
链接表
IX. 致谢
作者要感谢：NVIDIA IT 团队对 NVBugs 集成的支持；NVIDIA 硬件安全团队对安全问题的支持；NVIDIA NeMo 团队对 ChipNeMo 模型的训练和推理的支持和指导；NVIDIA 基础设施团队为该项目提供 GPU 训练和推理资源的支持；NVIDIA 硬件设计团队的支持和见解。
十、贡献
刘明杰进行了DAPT和SFT模型培训。
Teodor-Dumitru Ene、Robert Kirby开发了推理和应用评估基础设施。
Chris Cheng开发了 RAG 框架。
纳撒尼尔·平克尼 (Nathaniel Pinckney)收集并准备了用于训练的数据集。
Rongjian Liang开发了自定义标记器。
Walker Turner、Charley Lind 和 George Kokai开发了通用电路设计知识基准。
Siddhanth Dhodhi、Ismet Bayraktaroglu、Himyanshu Anand 和 Eric Hill设计了工程助理聊天机器人，提供了领域指令数据集、评估基准并进行了评估。
Parikshit Deshpande、Zhengjiang Shao、Kaizhe Xu、Jiashang Hu、Laura Dang、Xiaowei Li、Hao Liu 和 Ambar Sarkar开发了工程助理聊天机器人应用程序。
Sreedhar Pratty、Kishor Kunal、Varun Tej、Sumit Jain、Sujeet Omar、Pratik P Suthar 和 Hanfei Sun开发了 EDA 脚本生成应用程序，提供了领域指令数据集和评估基准。
Bonita Bhaskaran、Arjun Chaudhuri、Sanmitra Banerjee开发了 bug 总结和分析应用程序，提供了领域指令数据集和评估基准。
Brucek Khailany、Stuart Oberman、Sharon Clay、Sameer Halepete、Jonathan Raiman、Bryan Catanzaro、Jonah Alben 和 Bill Dally从人工智能研究和硬件工程角度提供建议。
任浩星设计并领导了这项研究。
参考
[1] B. Khailany 等人，“通过机器学习加速芯片设计”，IEEE Micro，第 40 卷，第 6 期，第 23-32 页，2020 年。
[2] H. Ren 和 M. Fojtik，“受邀-nvcell：具有强化学习的先进技术节点中的标准单元布局”，2021 年第 58 届 ACM/IEEE 设计自动化会议 (DAC)，2021 年。
[3] R. Roy 等人，“PrefixRL：使用深度强化学习优化并行前缀电路”，2021 年第 58 届 ACM/IEEE 设计自动化会议 (DAC)，2021 年。
[4] W.-L. Chiang 等人，“Vicuna：一款以 90%* 的 chatgpt 质量超越 GPT-4 的开源聊天机器人”，2023 年 3 月。[在线]。网址：https://lmsys.org/blog/2023-03-30-vicuna/
[5] H. Touvron 等人，“Llama 2：开放基础和微调聊天模型”，2023 年。
[6] S. Thakur 等人，“用于自动 Verilog RTL 代码生成的大型语言模型基准测试”，2023 年欧洲设计、自动化与测试会议与展览会 (DATE)，2023 年，第 1-6 页。
[7] J. Blocklove 等人，“芯片聊天：对话硬件设计中的挑战和机遇”，2023 年。
[8] Z. He 等人，“Chateda：一种由大型语言模型驱动的 EDA 自主代理”，2023 年。
[9] S. Bubeck 等人，“通用人工智能的火花：GPT-4 的早期实验”，2023 年。
[10] S. Wu 等人，“Bloomberggpt：面向金融的大型语言模型”，2023 年。
[11] M. LLC。（2022 年）Biomedlm：针对生物医学文本的特定领域大型语言模型。[在线]。可用：https://www.mosaicml.com/blog/introducing-pubmed-gpt
[12] M. Liu 等人，“VerilogEval：评估用于 Verilog 代码生成的大型语言模型”，2023 年 IEEE/ACM 国际计算机辅助设计会议（ICCAD），2023 年。
[13] E. Nijkamp 等人，“Codegen：一种用于多轮程序合成的开放大型语言模型”，ICLR，2023 年。
[14] S. Gururangan 等人，“不要停止预训练：使语言模型适应领域和任务”，2020 年。
[15] P. Lewis 等人，“针对知识密集型 NLP 任务的检索增强生成”，2021 年。
[16] EJ Hu 等人，“Lora：大型语言模型的低秩适应”，CoRR，vol. abs/2106.09685，2021 年。[在线]。可用：https://arxiv.org/abs/2106.09685
[17] L.Gao 等人，“The Pile：用于语言建模的 800GB 多样化文本数据集”。
[18] D. Kocetkov 等人，“堆栈：3 TB 的许可源代码”，2022 年。
[19] A. Kopf ¨ 等人，“Openassistant 对话——使大型语言模型对齐民主化”，2023 年。
[20] J. Wei 等人，“微调语言模型是零样本学习者”，2022 年。
[21] V. Sanh 等人，“多任务提示训练实现零样本任务泛化”，2022 年。
[22] D. Hendrycks 等人，“测量大规模多任务语言理解”，2021 年。
[23] M. Chen 等人，“评估针对代码训练的大型语言模型”，2021 年。
[24] F. Koto、JH Lau 和 T. Baldwin，“IndoBERTweet：一种针对印尼语 Twitter 的预训练语言模型，具有有效的特定领域词汇初始化”，载于 2021 年自然语言处理实证方法会议论文集，2021 年 11 月，第 10660-10668 页。
[25] O.Kuchaiev 等人，“Nemo：使用神经模块构建人工智能应用程序的工具包”，2019 年。
[26] M. Shoeybi 等人，“Megatron-lm：使用模型并行训练数十亿参数语言模型”，arXiv 预印本 arXiv:1909.08053，2019 年。
[27] T. Dao 等人，“FlashAttention：具有 IO 感知的快速且内存高效的精确注意力”，载于《神经信息处理系统进展》，2022 年。[28] A. Chowdhery 等人，“Palm：使用路径扩展语言建模”，2022 年。
[29] Z. Ji 等人，“自然语言生成中的幻觉调查”，ACM Comput. Surv.，第 55 卷，第 12 期，2023 年 3 月。[在线]。可用：https://doi.org/10.1145/3571730
[30] L. Wang 等人，“通过弱监督对比预训练实现文本嵌入”，arXiv 预印本 arXiv:2212.03533，2022 年。
[31] L. Gao 等人，“Tevatron：一种高效灵活的密集检索工具包”，2022 年。
[32] B. Roziere 等人，“Code llama：代码的开放基础模型”，2023 年。
[33] N. Reimers 和 I. Gurevych，“Sentence-bert：使用连体 bert 网络的句子嵌入”，载于 2019 年自然语言处理经验方法会议论文集。计算语言学协会，2019 年 11 月。[在线]。网址：http://arxiv.org/abs/1908.10084
[34] R.Pope 等人，“有效扩展 Transformer 推理”，2022 年。
[35] RY Aminabadi 等人，“Deepspeed 推理：实现前所未有的规模 Transformer 模型的高效推理”，2022 年。
[36] L. Ouyang 等人，“训练语言模型以遵循人类反馈的指令”，2022 年。
[37] W. Xiong 等人，“基础模型的有效长期上下文扩展”，2023 年。
[38] R. Taylor 等人，“Galactica：用于科学的大型语言模型”，2022 年。
[39] A.Lewkowycz 等人，“利用语言模型解决定量推理问题”，2022 年。
[40] P. Lewis 等人，“针对知识密集型 NLP 任务的检索增强生成”，2021 年。
[41] S. Borgeaud 等人，“通过检索数万亿个标记来改进语言模型”，2022 年。
[42] S. Robertson 和 H. Zaragoza，“概率相关性框架：Bm25 及以后”，Found. Trends Inf. Retr.，第 3 卷，第 4 期，第 333-389 页，2009 年 4 月。[在线]。网址：https://doi.org/10.1561/1500000019
[43] V. Karpukhin 等人，“开放域问答的密集段落检索”，2020 年。
[44] G. Izacard 等人，“基于对比学习的无监督密集信息检索”，2022 年。
[45] W. Shi 等人，“Replug：检索增强黑盒语言模型”，2023 年。
[46] G. Izacard 等人，“使用检索增强语言模型进行小样本学习”，2022 年。[在线]。网址：http://arxiv.org/abs/2208.03299
[47] O.Ram 等人，“上下文检索增强语言模型”，2023 年。
[48] S. Zhou 等人，“Docprompting：通过检索文档生成代码”，2023 年。
[49] R. Rafailov 等人，“直接偏好优化：你的语言模型秘密地是一个奖励模型”，2023 年。
[50] Y. Dong 等人，“Steerlm：属性条件 sft 作为 rlhf 的（用户可操纵的）替代方案”，2023 年。
[51] H. Pearce、B. Tan 和 R. Karri，《Dave：从英语自动推导 verilog》，载于 2020 年 ACM/IEEE CAD 机器学习研讨会论文集，MLCAD '20 系列。美国纽约州纽约：计算机协会，2020 年，第 27-32 页。[在线]。可用：https://doi.org/10.1145/3380446.3430634
[52] “Beautiful Soup”，https://www.crummy.com/software/BeautifulSoup/，访问日期：2023 年 10 月 10 日。
[53] K. Sakaguchi 等人，“Winogrande：大规模对抗性 winograd 模式挑战”，arXiv 预印本 arXiv:1907.10641，2019 年。
[54] R. Zellers 等人，“Hellaswag：机器真的能完成你的句子吗？”，载于 2019 年第 57 届计算语言学协会年会论文集。
[55] P. Clark 等人，“您认为已经解决了问答问题吗？试试 ai2 推理挑战 arc”，2018 年。
[56] G. Lai 等人，“种族：来自考试的大规模阅读理解数据集”，2017 年。
L O A D I N G
. . . comments & more!
. . . comments & more!
