谷歌要干掉layout工程师？

444 0 0

文章摘要

DeepMind最近宣布，其人工智能技术AlphaChip已经在全球范围内的硬件中得到应用，加速并优化了芯片设计。AlphaChip利用深度强化学习的方法，显著提高了芯片布局设计的效率和质量。2020年，DeepMind发表了相关研究的预印本，并在《自然》杂志上发表并开源了该方法。现在，他们发布了一个预先训练的检查点，分享了模型权重，并将其命名为AlphaChip。

AlphaChip是首批用于解决实际工程问题的强化学习方法之一，能够在数小时内生成超人或同类芯片布局，而传统方法可能需要数周或数月的人力。这种方法已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superhuman chip layouts。

AlphaChip的工作原理是将芯片布局规划视为一种游戏，从空白网格开始，逐步放置电路元件，直至完成所有元件的放置。它使用一种新颖的“基于边缘”图形神经网络来学习芯片元件之间的关系，并在整个芯片中进行推广，从而在设计每个布局时都能不断改进。

AlphaChip自2020年发布以来，已经生成了谷歌每一代TPU所使用的superhuman chip layouts。这些芯片使得大规模扩展基于谷歌Transformer架构的AI模型成为可能。AlphaChip的设计方法不仅提高了设计速度，还提高了芯片的性能。

AlphaChip的影响不仅限于谷歌内部，它还被外部组织采用和开发。例如，全球顶级芯片设计公司之一联发科扩展了AlphaChip，以加速其最先进芯片的开发，同时提高了功耗、性能和芯片面积。

AlphaChip的成功引发了芯片设计人工智能研究的爆炸式增长，并扩展到芯片设计的其他关键阶段，如逻辑综合和宏选择。DeepMind相信AlphaChip有潜力优化芯片设计周期的每个阶段，从计算机架构到制造，并将芯片设计转变为智能手机、医疗设备、农业传感器等日常设备中的定制硬件。

DeepMind还提供了关于AlphaChip的附录信息，包括预训练的重要性、训练和计算资源、初始放置、基准测试和对原始论文的澄清。他们强调了预训练对于提高AlphaChip的速度、可靠性和放置质量的重要性，并提供了开源软件存储库，以便外部研究人员可以在各种芯片块上进行预训练。

展望未来，DeepMind设想人工智能方法将使整个芯片设计过程自动化，通过超人算法和硬件、软件和机器学习模型的端到端协同优化，大大加快设计周期并解锁性能的新领域。他们期待与社区合作，继续革新这一领域，创造一个芯片更快、更便宜、更节能的未来。