一直以来，计算机芯片是驱动 AI 发展的重要基础。现在，AI 也能够加速和优化芯片的设计了。
近日，谷歌 DeepMind 公布了一项名为 AlphaChip 的强化学习方法，可以大幅加速和优化芯片布局设计过程。而且，已被谷歌、联发科等公司采用，该方法的实用性得到了广泛验证。
DeepMind 在博客中写道：“AlphaChip 是首批用于解决实际工程问题的强化学习方法之一。
它可以在数小时内生成超越人类设计或同等水平的芯片布局，而无需耗费数周或数月的人力，其布局已应用于数据中心、手机等产品中的芯片。”
实际上，DeepMind 早在 2020 和 2021 年就分别发布了相关的论文，介绍了这种强化学习方法。
此次公布的是一篇 Nature 论文附录，揭示了更详细的技术细节，以及该方法在过去几年对芯片设计领域的积极影响。
图 | 谷歌数据中心内的 Cloud TPU v5p AI 加速器超级计算机（来源：DeepMind）
设计芯片布局并非易事。
计算机芯片的结构复杂，它由很多互相连接的功能模块组成，这其中又包含了多层电路元件。而且，这些组件之间还通过极其精细的导线相互连接。
此外，还必须同时满足很多复杂且相互交织的设计限制。
从 AlphaChip 的工作原理来看，其与谷歌的 AI 系统 AlphaGo 与 AlphaZero 等类似。
它将芯片布局设计视为一种游戏，从空白的网格开始，逐一放置电路元件，直至完成所有元件的布局。
遵循强化学习的理念，这个系统将基于最终布局的质量得到奖励。
AlphaChip 通过一种新颖的“基于边缘”的图神经网络，学习互连芯片组件之间的关系。并且，在不同芯片上进行泛化，使其设计能力随着每次布局而不断提升。
AlphaChip 在效率和性能上的表现，均优于传统芯片设计方法。
一般来说，设计一个复杂芯片（如图形处理器）的布局需要耗时约 24 个月，而较简单的芯片也需要数月时间，这意味着巨大的人力和资金成本。
相比之下，AlphaChip 能在几小时内完成芯片布局设计，并且其设计在功耗和性能方面往往优于人工设计。
自 2020 年起，谷歌开始在其张量处理单元（TPU，Tensor Processing Unit）芯片设计中应用 AlphaChip 技术。
TPU 是谷歌专为 AI 加速而设计的定制芯片，为多个生成式 AI 系统提供支持，包括：Gemini 大型语言模型、Imagen 图像生成器和 Veo 视频生成器等。
AlphaChip 在每一代 TPU 的设计中都发挥了重要作用，包括最新的第六代 Trillium 芯片，并不断提高芯片性能并加快设计周期。
图 | AlphaChip 设计的芯片块在三代谷歌 TPU 中的数量（来源：DeepMind）
据 DeepMind 介绍，为了设计 TPU 布局，AlphaChip 首先在前几代的芯片块上进行预训练。例如，片上和芯片间网络块、内存控制器和数据传输缓冲区。
之后，他们会在当前的 TPU 块上运行 AlphaChip，尝试生成高质量的布局。
与以往方法不同之处在于，AlphaChip 在完成芯片布局任务时，会随着任务增多而变得更好和更快。
除了设计专用 AI 加速器外，AlphaChip 还被用于设计谷歌 Axion 处理器（基于 ARM 架构的通用数据中心中央处理器）等其他类型的芯片。
并且，其他公司也开始采用和改进 AlphaChip 技术。
例如，芯片设计公司联发科对 AlphaChip 的应用进行扩展，用于加速开发其最先进的芯片，包括用于三星手机的 Dimensity 旗舰 5G 芯片。它还同时改善了芯片的功耗、性能和面积。
图 | AlphaChip 在三代谷歌 TPU 中平均减少的线长（来源：DeepMind）
AlphaChip 引发了基于 AI 在芯片设计领域的研究热潮。研究人员正在探索将这一技术扩展到芯片设计的其他关键阶段，如逻辑综合、Macro 选择和时序优化等。
目前，虽然新思（Synopsys）和楷登电子（Cadence）等公司已经提供了一些 AI 辅助芯片设计工具，但这些工具通常价格昂贵。
谷歌希望通过开源 AlphaChip，来普及 AI 辅助芯片设计方法。
尽管 AlphaChip 展现出了巨大的潜力，但值得注意的是，目前谷歌和联发科等公司仍然只在有限的芯片模块中使用 AlphaChip，大部分设计工作仍由人类开发者完成。
但不可忽视的是，AlphaChip 的学习速度远远超过人类专家，这意味着，它的表现将随着时间的推移而迅速提升。
展望未来，谷歌相信“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的各个环节”。
这可能会彻底改变定制硬件的芯片设计，包括智能手机、医疗设备、农业传感器等日常设备中的芯片。
这一技术的广泛应用可能会对整个科技行业产生深远影响，推动从消费电子到大规模计算基础设施等各个领域的进步。
参考资料：
https://deepmind.google/discover/blog/how-alphachip-transformed-computer-chip-design/
运营/排版：何晨龙
