本文来自微信公众号“学术头条”。
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。
AlphaChip是如何工作的？
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。
类似于AlphaGo和AlphaZero学习围棋、国际象棋和将棋的方式，Google DeepMind推出了AlphaChip，将芯片平面规划视为一种游戏。
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。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。
使用AI设计AI加速器芯片
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。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设计的芯片块在三代Google TPU中的数量，包括v5e、v5p和Trillium。
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。
AlphaChip的影响力如何？
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。
创造未来的芯片
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。
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。
素材来源官方媒体/网络新闻
