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。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。视频｜左：AlphaChip 在没有任何经验的情况下放置开源的 Ariane RISC-V CPU；右：动画显示 AlphaChip 在对 20 个与 TPU 相关的设计进行练习后，放置了相同的区块。
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。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。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。![]( "黑色小圆动图分割线")
