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。

打开网易新闻 查看精彩图片

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。

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

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。