[[405016]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

設計一塊AI芯片有多難？

這么說吧，圍棋的復雜度10360，而芯片則是102500，你感受一下……

一般來說，工程師們設計一塊芯片，少則需要幾周，多則好幾個月。

現在，AI生產力來了！

AI自己動手，竟然用6小時就設計出一塊芯片。

最近，這項谷歌的研究登上了Nature雜志。

布局時間縮短數倍

小小的一塊芯片包括了數十億個晶體管，由它們組成的數千萬個邏輯門就是標準單元，此外還有數千個存儲塊，稱為宏塊。

確定它們的位置，也就是布局規劃，對芯片設計至關重要。

因為這直接關系到如何布線，進而影響著芯片的處理速度和電源效率。

但是，光是放置宏塊這一步就非常耗時，為了給標準單元留出更多空間，每一次迭代都需要幾天或幾周時間。

完成整個布局，則要花費數周甚至數月。

現在，谷歌的研究人員提出了一種具有泛化能力的芯片布局方法。

它能夠基于深度強化學習，從之前的布局中進行學習，然后生成新的設計方案。整體架構是這樣的：

由于AI模型需要學習10萬個芯片布局，為了保證速度，研究人員設計了一種獎勵機制，基于線路長度和布線擁塞的近似代價函數進行計算。

具體來說，需要將宏和標準單元映射到一個平面畫布上，形成具有數百萬到數十億節點的「芯片網表」。

然后，AI模型會對功率、性能和面積(PPA) 等進行優化，并且輸出概率分布。

下圖分別是零樣本生成和基于預訓練策略微調的效果，其中每個小矩形代表一個宏塊。在預訓練策略中，中間留出了用于放置標準單元的空間。

與其他方法相比，谷歌的新方法大大減少了設計時間，只需不到6小時，就能實現性能優化的布局。

谷歌：效果不錯，已經用上了

研究團隊對不同策略下的布局效果進行了可視化展示，從圖中可以看到，預訓練策略微調的結果要明顯優于零樣本生成。

并且，從不同訓練時長的效果對比可以看到，在訓練2-12小時的情況下，預訓練策略要優于零樣本生成。

在不同規模的數據集上進行測試，研究人員發現，隨著數據集規模的擴大，生成布局的質量和收斂時間的結果更優。

谷歌表示，

這一方法適用于任何類型的芯片。

目前已經被用于生產下一代Google TPU（加速器芯片）。