雖然近年來各大EDA公司都在積極的將AI引入到自己的芯片設計工具當中。但是早在2020年，谷歌就發(fā)布了題為《Chip Placement with Deep Reinforcement Learning》預印本論文，介紹了其設計芯片布局的新型強化學習方法。隨后在2021年，谷歌又在 Nature上發(fā)表了論文并將其開源了。

近日，谷歌詳細介紹了其用于芯片設計布局的強化學習方法，并將該模型命名為“AlphaChip” ，據稱AlphaChip有望大大加快芯片布局規(guī)劃的設計，并使它們在性能、功耗和面積方面更加優(yōu)化。目前AlphaChip已發(fā)布在Github上與公眾共享，同時谷歌還開放了一個在 20 個 TPU 模塊上預訓練的檢查點。據介紹，AlphaChip在設計谷歌的張量處理單元 （TPU） 方面發(fā)揮了重要作用，并已被包括聯發(fā)科（MediaTek）在內的其他公司采用。

谷歌首席科學家 Jeff Dean 表示，開放預訓練 AlphaChip 模型檢查點以后，外部用戶可以更容易地使用 AlphaChip 來啟動自己的芯片設計。

從數個月縮短至數小時

通常芯片設計布局或平面圖是芯片開發(fā)中時間最長、勞動強度最高的階段。近年來，新思科技（Synopsys）開發(fā)了 AI 輔助芯片設計工具，可以加速開發(fā)并優(yōu)化芯片的布局規(guī)劃。但是，這些工具非常昂貴。谷歌希望在一定程度上使這種 AI 輔助芯片設計方法大眾化。

如今，如果由人類來為 GPU 等復雜芯片設計平面圖大約需要 24 個月。不太復雜的芯片的平面規(guī)劃可能也至少需要幾個月的時間，而這意味著數百萬美元的成本，因為維持一個設計團隊通常需要一大筆費用。

谷歌表示，AlphaChip 加快了這一時間表，可以在短短幾個小時內創(chuàng)建芯片布局。此外，據說它的設計非常出色，因為它們優(yōu)化了電源效率和性能。谷歌還展示了一張圖表，顯示與人類開發(fā)人員相比，各種版本的 TPU 和 Trillium 的平均線長（wirelength）都有所減少。

△圖中展示了 AlphaChip 在三代 Google 張量處理單元 (TPU) 中的平均線長（wirelength）減少量，并與 TPU 物理設計團隊生成的位置進行了比較。

AlphaChip 是如何工作的？

芯片設計并非易事，部分原因在于計算機芯片由許多相互連接的塊組成，這些塊具有多層電路元件，所有元件都通過極細的導線連接。此外，芯片還有很多復雜且相互交織的設計約束，設計時必須同時滿足所有約束。由于這些復雜性，芯片設計師們在 60 多年來一直在努力實現芯片布局規(guī)劃過程的自動化。

與 AlphaGo 和 AlphaZero 類似，谷歌構建時 AlphaChip，也將芯片的布局規(guī)劃視為一種博弈。

AlphaChip 從空白網格開始，一次放置一個電路元件，直到完成所有元件的放置。然后根據最終布局的質量給予獎勵。谷歌提出了一種新穎的「基于邊」的圖神經網絡使 AlphaChip 能夠學習互連芯片元件之間的關系，并在整個芯片中進行推廣，讓 AlphaChip 在其設計的每一個布局中不斷進步。

△左圖： AlphaChip 在沒有任何經驗的情況下放置開源處理器 Ariane RISC-V CPU的電路元件；右圖： AlphaChip 在對 20 個 TPU 相關設計進行練習后放置相同的電路元件。

AlphaChip 還使用強化學習模型，其中代理在預設環(huán)境中采取行動，觀察結果，并從這些經驗中學習，以便在未來做出更好的選擇。在 AlphaChip 的情況下，系統將 chip floorplanning 視為一種游戲，一次將一個 circuit 元件放置在空白網格上。該系統隨著解決更多布局而改進，使用圖形神經網絡來理解組件之間的關系。

谷歌TPU及聯發(fā)科天璣芯片設計均已采用

自 2020 年以來，AlphaChip 一直被用于設計谷歌自己的 TPU AI 加速器，這些加速器驅動著谷歌的許多大規(guī)模 AI 模型和云服務。這些處理器運行基于 Transformer 的模型，為谷歌的 Gemini 和 Imagen 提供支持。

為了設計 TPU 布局，AlphaChip 首先在前幾代的各種芯片塊上進行練習，例如片上和芯片間網絡塊、內存控制器和數據傳輸緩沖區(qū)。這個過程稱為預訓練。然后谷歌在當前的 TPU 塊上運行 AlphaChip 以生成高質量的布局。與之前的方法不同，AlphaChip 解決了更多芯片布局任務實例，因此變得更好、更快，就像人類專家所做的那樣。

可以說AlphaChip 改進了每一代 TPU 的設計，包括最新的第 6 代 Trillium 芯片，確保了更高的性能和更快的開發(fā)。盡管如此，谷歌和聯發(fā)科目前仍都只是依賴 AlphaChip 來制作芯片當中有限的一些區(qū)塊，而人類開發(fā)人員仍然承擔了大部分的設計工作。

△谷歌最近三代張量處理單元 (TPU)（包括 v5e、v5p 和 Trillium）中 AlphaChip 設計的芯片塊的數量

到目前為止，AlphaChip 已被用于開發(fā)各種處理器，包括谷歌的 TPU 和聯發(fā)科旗艦級天璣 5G SoC芯片，這些處理器廣泛用于各種智能手機。此外，還包括谷歌首款基于 Arm 的通用數據中心 CPU—— Axion。因此，AlphaChip 能夠在不同類型的處理器中進行泛化。

谷歌表示，它已經在各種芯片模塊上進行了預訓練，這使得 AlphaChip 能夠在實踐更多設計時生成越來越高效的布局。雖然人類專家可以學習，而且許多人學得很快，但機器的學習速度要高出幾個數量級。

擴展AI在芯片開發(fā)中的應用

谷歌表示，AlphaChip 的成功激發(fā)了一波新的研究浪潮，將人工智能用于芯片設計的不同階段。這包括將AI技術擴展到邏輯綜合、宏選擇和時序優(yōu)化等領域，Synopsys和Cadence已經提供了這些技術，盡管需要很多錢。據谷歌稱，研究人員還在探索如何將 AlphaChip 的方法應用于芯片開發(fā)的更進一步階段。

“AlphaChip 激發(fā)了芯片設計強化學習的全新研究路線，跨越了從邏輯綜合到布局規(guī)劃、時序優(yōu)化等的設計流程，”谷歌的一份聲明中寫道。

展望未來，谷歌看到了 AlphaChip 徹底改變整個芯片設計生命周期的潛力：從架構設計到布局再到制造，人工智能驅動的優(yōu)化可能會帶來更快的芯片、更小（即更便宜）和更節(jié)能的芯片。雖然目前谷歌的服務器和基于聯發(fā)科天璣 5G 的智能手機受益于 AlphaChip，但未來應用程序可能會擴展到幾乎所有領域。

目前AlphaChip 的未來版本已經在開發(fā)中，因此或許未來在AI的驅動下，芯片設計將會變得更加的簡單。