必一运动官方网站一直以来，人类使用芯片来训练强大的人工智能（AI）模型；如今，AI 也可以反过来用于加速并优化芯片设计了，且可在数小时内生成超越人类设计或同类芯片布局，而无需耗费数周或数月的人力。
日前，Google DeepMind 在一篇 Nature 增刊文章中详细介绍了他们用于设计芯片布局的新型强化学习方法——AlphaChip，及其对芯片设计领域的影响。此外，他们也发布了一个预训练的检查点，公开了模型的权重。
据介绍，AlphaChip 是首批用于解决实际工程问题的强化学习方法之一，可以更加快速、低廉、节能的生成超越人类设计的芯片布局，目前已经被用于设计谷歌定制 AI 加速器张量处理单元（TPU）的最近三代超人芯片布局，以及全球多地从数据中心到手机的芯片。
半导体公司联发科高级副总裁 SR Tsai 认为，AlphaChip 的开创性 AI 方法彻底改变了芯片设计的关键阶段。
芯片布局设计并不是一项简单的任务。计算机芯片由许多相互连接的模块组成，包含多层电路组件，所有这些组件都通过极细的导线连接。同时，设计过程中有许多复杂且交织的设计约束需要同时满足。由于其复杂性，芯片设计人员在过去 60 年中一直难以实现芯片平面规划流程的自动化。
从一个空白的网格开始，AlphaChip 逐个放置电路元件，直到完成所有元件的布局。然后，根据最终布局的质量，模型会获得相应的奖励必一运动。AlphaChip 通过一种新颖的“基于边缘”的图神经网络，学习芯片组件之间的关系，并能够在不同的芯片上进行泛化，从而使 AlphaChip 能够改进其设计的每一个布局。
据官方博客介绍，自 AlphaChip 首次被提出以来，其生成的超人类芯片布局已被用于每一代谷歌的 TPU。这些芯片使得基于谷歌 Transformer 架构的 AI 模型能够大规模扩展。
从大语言模型到图像和视频生成器，TPU 是生成式 AI 系统的核心。在设计 TPU 布局时，AlphaChip 首先在前几代的芯片模块上进行练习，如片上和芯片间网络模块、内存控制器和数据传输缓冲区。这一过程称为预训练。
图｜谷歌数据中心内的一排 Cloud TPU v5p AI 加速器超级计算机。
与以前的方法不同，AlphaChip 是一种基于学习的方法，这意味着它会随着解决芯片放置问题的更多实例而变得更好、更快必一运动。这种预训练显著提高了其速度、可靠性和放置质量。
随着每一代 TPU 的演化，AlphaChip 设计了更好的芯片布局，加速了设计周期，并带来了性能更高的芯片。
图｜条形图显示了 AlphaChip 在谷歌三代 TPU 中平均减少的线长，并与 TPU 物理设计团队生成的布局进行了比较。
据介绍，AlphaChip 的影响不仅限于谷歌内部，还扩展到了整个 Alphabet 公司、研究界以及芯片设计行业。除了设计像 TPU这样的专用 AI 加速器，AlphaChip 还为 Alphabet 旗下的其他芯片生成布局，如谷歌 Axion 处理器，这是谷歌首个基于 Arm 的通用数据中心 CPU。
外部组织也在采用并扩展 AlphaChip。例如，联发科利用 AlphaChip 加速其最先进芯片的开发，如三星手机中使用的 Dimensity Flagship 5G，在提升性能的同时，也优化了功耗和芯片面积。
AlphaChip 引发了 AI 芯片设计领域的工作热潮，并已扩展到芯片设计的其他关键阶段，如逻辑综合和宏块选择。
谷歌方面认为，AlphaChip 有潜力优化芯片设计周期的每一个阶段，从计算机架构到制造，并将彻底改变智能手机、医疗设备、农业传感器等日常设备中的定制硬件芯片设计必一运动。
他们也透露，新版本的 AlphaChip 正在开发中，他们期待与整个社区合作，继续革新这一领域，迎接更加快速、低廉、节能的芯片未来。
官方微信
官方微博
