Layout工程师危，谷歌自动芯片设计AlphaChip问世，开放权重可外部定制
2020 年，谷歌发表了预印本论文《Chip Placement with Deep Reinforcement Learning》，介绍了其设计芯片布局的新型强化学习方法。后来在 2021 年，谷歌又发表在 Nature 上并开源了出来。
今天，谷歌发表了这篇 Nature 文章的附录，更详细介绍了该方法及其对芯片设计领域的影响。同时，谷歌也开放了一个在 20 个 TPU 模块上预训练的检查点，分享模型权重并命名为「AlphaChip」。
Nature 附录地址：https://www.nature.com/articles/s41586-024-08032-5
预训练检查点地址：https://github.com/google-research/circuit_training/?tab=readme-ov-file#PreTrainedModelCheckpoint
谷歌首席科学家 Jeff Dean 表示，开放预训练 AlphaChip 模型检查点以后，外部用户可以更容易地使用 AlphaChip 来启动自己的芯片设计。
计算机芯片推动了 AI 的显著进步，AlphaChip 利用 AI 来加速和优化芯片设计。该方法已被用于设计谷歌自定义 AI 加速器（TPU）最近三代的「超人」芯片布局。
作为首带用于解决现实世界工程问题的强化学习方法，AlphaChip 只需要数小时便能完成媲美或者超越人类的芯片布局，而无需再花费数周或数月人工努力。并且该方法设计的布局已应用于世界各地的芯片，覆盖场景包括数据中心到手机。
谷歌 DeepMind 表示，AlphaChip 已经彻底改变了我们设计微芯片的方式，从帮助设计用于构建 AI 模型的 SOTA TPU 到数据中心 CPU，它的广泛影响已经扩展到了 Alphabet 内外。
各路网友对谷歌的 AlphaChip 寄予厚望，称「芯片设计芯片的时代来了」，还预言谷歌将赢得未来 AGI 之争。
AlphaChip 是如何工作的？
芯片设计并非易事，部分原因在于计算机芯片由许多相互连接的块组成，这些块具有多层电路元件，所有元件都通过极细的导线连接。此外，芯片还有很多复杂且相互交织的设计约束，设计时必须同时满足所有约束。由于这些复杂性，芯片设计师们在 60 多年来一直在努力实现芯片布局规划过程的自动化。
与 AlphaGo 和 AlphaZero 类似，谷歌构建了 AlphaChip，将芯片布局规划视为一种博弈。
AlphaChip 从空白网格开始，一次放置一个电路元件，直到完成所有元件的放置。然后根据最终布局的质量给予奖励。谷歌提出了一种新颖的「基于边」的图神经网络使 AlphaChip 能够学习互连芯片元件之间的关系，并在整个芯片中进行推广，让 AlphaChip 在其设计的每一个布局中不断进步。
谷歌借助 AI 设计 AI 加速器芯片
自 2020 年发布以来，谷歌已经采用 AlphaChip 为每一代 Google TPU 生成超级芯片布局。这些芯片使得大规模扩展基于 Google Transformer 架构的 AI 模型成为可能。
TPU 作为谷歌强大的生成式 AI 系统的核心，应用范围从大语言模型（如 Gemini）到图像和视频生成器（Imagen 和 Veo）。这些 TPU 是 Google AI 服务的核心，可通过 Google Cloud 供外部用户使用。
谷歌坚信，AlphaChip 有潜力优化从计算架构到制造的芯片设计周期的每个阶段，并改变智能手机、医疗设备、农业传感器等日常设备中定制硬件的芯片设计。
目前，AlphaChip 的未来版本正在开发中。谷歌期待与社区合作，继续变革自动芯片设计领域，从而在未来迎来速度更快、价格更低、能效更高的芯片。
参考链接：https://deepmind.google/discover/blog/how-alphachip-transformed-computer-chip-design/
感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。
Layout工程师危，谷歌自动芯片设计AlphaChip问世，开放权重可外部定制
