172
一直以来，芯片都是不少科技公司研发的重点，尤其在芯片市场竞争异常火热的今天。
芯片研发周期长、成本高，重度依赖设计，优秀的芯片设计师非常稀缺，基本都被几家老牌芯片大厂垄断，后起之秀很难在短期内挖到足够的资深设计师。
随着技术的不断升级，AI 的作用也越来越重要，很多科技企业都在对 AI 进行不断的投入研发。近日，Google AI 负责人 Jeff Dean 和谷歌研究部门、谷歌芯片实现和基础设施团队共同撰写了一篇论文，论文中描述了一种基于学习的芯片设计方法，并声称可以平均在 6 个小时内完成芯片的设计。
该论文的发布，意味着片上晶体管的放置可以在很大程度上实现自动化。如果技术成果可以公开发表，那么这项技术可以让资金紧张的初创公司开发出自己的芯片，用来进行人工智能或其他行业的研究应用。此外，该技术还可以帮助缩短芯片的设计周期，使硬件能够更好地适应理论研究的快速发展。
Jeff Dean 在去年年底的一次采访中曾透露过这一项技术，并介绍到"从你想要的设计，到实际将其铺设在芯片上，并在面积、功率和线长等方面有适当的限制，满足所有的设计或制造过程，这是一个持续很长时间的过程，而我们基本上设计出了一款机器学习模型，它可以学习如何为一个特定的芯片进行元件布局。"
该 AI 模型的方法旨在将逻辑门、存储器和更多的网格图放置到芯片画布上，从而使设计在遵守放置密度和路由拥塞限制的同时，优化功耗、性能和面积（PPA）。图谱的大小从几百万到几十亿个节点组成的集群不等，通常情况下，评估目标指标需要数小时到一天以上的时间。
Jeff Dean 提到，数十年来，推动计算技术发展的基本思想是：给要解决的问题匹配足够的算力。问题越大，算力越大。但当我们进入 AI 时代后突然发现，算力并没有那么重要了。
事实证明，AI/ML 不需要典型的 CPU/GPU 的复杂功能，所需的数学运算也更简单，而且要求的精度也低很多。
事实证明，AI 在设计芯片方面天赋异禀。AI 设计芯片的水平越来越高，完全自动化地布置芯片上晶体管也毫无压力。现在，AI 设计芯片平均只需要 6 个小时。而同样的活儿，人工做要花费几周时间。
研究人员将逻辑门和存储器组成的芯片网表放在一个芯片画布上，这样就可以一目了然地优化设计中的功耗、性能和面积(PPA），同时遵守对布置密度和走线阻塞的限制。这些网表大小不等，由成千上万个集群中的数百万到数十亿个节点组成，通常，评估达成目标需要花费几个小时到一天以上的时间。
研究人员设计了一个框架，指导 AI 智能体进行强化学习训练，来优化芯片的布置位置。(强化学习通过奖励政策来刺激 AI 智能体完成目标，在这种情况下，AI 智能体会根据奖励最大化的情况进行布置。)
根据芯片网表，当前节点的 ID，以及网表和半导体技术的元数据，一个政策 AI 模型会在可用的布置位置上输出一个概率分布，而价值模型则对当前布置的预期报酬做出估计。
就这样，从一个空芯片开始，AI 智能体完成网络列表，然后按顺序布置组件。最终 AI 智能体会收到系统的奖励。为了引导 AI 智能体先选择布置哪些组件，组件按降序大小排列; 先布置较大的组件，会减少以后无法布置组件的可能性。
培训 AI 智能体，需要创建一个包含 10,000 个芯片布置情况的数据集，其中输入与给定布置相关的状态，标签是布置相对应的奖励(即，线路长度和阻塞)。研究人员首先挑选了 5 个不同的芯片网表，然后应用 AI 算法为每个网络列表创建 2000 个不同的布置位置。
在实验中，研究人员报告说，在越多的芯片上训练框架，就能够越快地进行训练，产生更高质量的结果。他们声称，与主流芯片相比，谷歌 TPU (人工智能加速器芯片)的产品实现了更好的 PPA。
研究人员得出结论，现有的方法总是从零开始优化每个新芯片布置位置，我们的工作利用了先前布置芯片所积累的知识，随着时间的推移训练效果变得越来越好。
