编辑：Aeneas 桃子

　　能设计芯片的AI黑科技来了！

　　就在刚刚，谷歌DeepMind推出名为AlphaChip的AI系统。

　　无论是设计最先进的用于构建AI模型的TPU，还是数据中心的CPU，它在相关的众多领域，都产生了广泛影响。

　　在谷歌的许多款芯片设计中，它都取得了出色的效果，比如Axion芯片（一种基于Arm 的通用数据中心CPU）。

　　AlphaChip设计芯片，用的是强化学习的原理。

　　也就是说，芯片布局设计对它来说是一种游戏，就像AlphaGo一样，它在游戏中，学习如何设计出最好的芯片布局。

　　几小时内，它就能生成超出人类水平，或是与人类专家相当的芯片布局了。

　　现在，它已经用于设计多代TPU芯片（TPU v5e、TPU v5p和Trillium）。而且跟人类专家相比，AlphaChip放置的块数越来越多，线长也减少了许多。

　　布局五年，谷歌多代TPU全由AI设计

　　其实谷歌对于这个AI，已经布局多年了。

　　早在2020年，团队就发表了一篇预印本论文，介绍了谷歌的全新强化学习方法，用于设计芯片布局。

　　论文地址：https://arxiv.org/pdf/2004.10746

　　后来在2021年，这项工作发表在了Nature上，并且进行了开源。

　　论文地址：https://www.nature.com/articles/s41586-021-03544-w

　　而自从首次发表这项工作以来，谷歌内部一直在对它进行改进。

　　今天，团队发表了Nature附录，详细描述了具体方法，及其对芯片设计领域的影响beat365。

　　同时，他们还发布了一个预训练的检查点，分享了模型权重，公布模型名称为AlphaChip。

　　谷歌表示，AlphaChip是最早用于解决现实世界工问题的强化学习方法之一。

　　在数小时内，它就可以生成超人或类似的芯片布局，而不需要花费数周或数月的人类。它设计的芯片布局，已经被用于世界各地的芯片中，包括数据中心和移动电话。

　　为了设计TPU布局，AlphaChip首先在来自前几代的各种芯片模块上进行实践，例如片上和片间网络模块、内存控制器和数据传输缓冲区。这一过程被称为预训练。

　　然后，团队在当前的TPU模块上运行AlphaChip，以生成高质量的布局。

　　与之前的方法不同，AlphaChip在解决更多芯片布局任务时变得更好、更快，类似于人类专家的工作方式。

　　对于每一代新的TPU，包括谷歌最新的Trillium(第6代)，AlphaChip都设计了更好的芯片布局，并提供了更多的总体布局图，从而加快了设计周期，产生了更高性能的芯片。

　　条形图显示了谷歌三代TPU上AlphaChip设计的芯片块的数量，包括v5e、v5p和Trillium

　　条形图显示，跟TPU物理设计团队生成的布局相比，AlphaChip在TPU三代产品中的平均有线长度减少

　　工作原理：一边设计，一边奖励

　　其实，设计芯片布局并不是一项简单的任务。

　　一般来说，计算机芯片有许多相互连接的模块、多层电路元件组成，所有这些部件都由纤细无比的导线连接起来beat365体育官方网站。

　　此外，还有许多复杂且相互交织的设计约束，必须同时满足。

　　由于设计的复杂性，60多年来，芯片设计工程师一直在努力自动化芯片布局规划过程。

　　谷歌表示，AlphaChip的研发，从AlphaGo和AlphaZero中汲取了经验。

　　众所周知，通过深度学习和博弈论，AlphaGo和AlphaZero逐渐从0掌握了围棋、国际象棋和将棋的潜在规则。

　　AlphaChip同样是采用了，将芯片底层规划视为一种游戏的策略。

　　从空白栅格开始，AlphaChip每次放置一个电路元件，直至放置完所有元件。

　　然后，根据最终布局的质量，给予模型奖励。

　　一种全新的「基于边」的图神经网络让AlphaChip，能够学习相互连接的芯片元件之间的关系，并在芯片之间进行泛化，让AlphaChip在设计的每种布局中都有所改进。