谷歌让AI芯片学会“下崽”，下一代TPU就让AI自己设计

设计一块AI芯片有多难？

这么说吧，围棋的复杂度10360，而芯片则是102500，你感受一下……

△围棋的复杂度

一般来说，工程师们设计一块芯片，少则需要几周，多则好几个月。

现在，AI生产力来了！

AI自己动手，竟然用6小时就设计出一块芯片。

最近，这项谷歌的研究登上了Nature杂志。

小小的一块芯片包括了数十亿个晶体管，由它们组成的数千万个逻辑门就是标准单元，此外还有数千个存储块，称为宏块。

确定它们的位置，也就是布局规划，对芯片设计至关重要。

因为这直接关系到如何布线，进而影响着芯片的处理速度和电源效率。

但是，光是放置宏块这一步就非常耗时，为了给标准单元留出更多空间，每一次迭代都需要几天或几周时间。

△人类设计和AI设计芯片的平面图（灰色块为宏块）

完成整个布局，则要花费数周甚至数月。

现在，谷歌的研究人员提出了一种具有泛化能力的芯片布局方法。

它能够基于深度强化学习，从之前的布局中进行学习，然后生成新的设计方案。整体结构是这样的：

由于AI模型需要学习10万个芯片布局，为了保证速度，研究人员设计了一种奖励机制，基于线路长度和布线拥塞的近似代价函数进行计算。

具体来说，需要将宏和标准单元映射到一个平面画布上，形成具有数百万到数十亿节点的「芯片网表」。

然后，AI模型会对功率、性能和面积(PPA) 等进行优化，并且输出概率分布。

下图分别是零样本生成和基于预训练策略微调的效果，其中每个小矩形代表一个宏块。在预训练策略中，中间留出了用于放置标准单元的空间。

与其他方法相比，谷歌的新方法大大减少了设计时间，只需不到6小时，就能实现性能优化的布局。

研究团队对不同策略下的布局效果进行了可视化展示，从图中可以看到，预训练策略微调的结果要明显优于零样本生成。

并且，从不同训练时长的效果对比可以看到，在训练2-12小时的情况下，预训练策略要优于零样本生成。

在不同规模的数据集上进行测试，研究人员发现，随着数据集规模的扩大，生成布局的质量和收敛时间的结果更优。

谷歌表示，

这一方法适用于任何类型的芯片。

目前已经被用于生产下一代Google TPU（加速器芯片）。

参考链接：

https://www.nature.com/articles/s41586-021-03544-w

https://www.nature.com/articles/d41586-021-01515-9

https://ai.googleblog.com/2020/04/chip-design-with-deep-reinforcement.html

https://arxiv.org/abs/2004.10746

　　版权及免责声明：凡本网所属版权作品，转载时须获得授权并注明来源“物联之家 - 物联观察新视角,国内领先科技门户”，违者本网将保留追究其相关法律责任的权力。凡转载文章，不代表本网观点和立场。

延伸阅读