谷歌Jeff Dean又用AI設計晶元！6小時出活兒，強力碾壓集成電路設計專家
新智元原創
編輯：白峰，夢佳，鵬飛
AI長大了，可以自己設計晶元了。而且這技術水平越來越高，自動化布置晶元的晶體管小菜一碟。
有了AI設計晶元，我再也不相信「摩爾定律」了！
Jeff Dean：我們用AI，6小時就能設計一款晶元，敢信？
谷歌研究員培養AI幹活兒可真花了不少心思。
在由Google AI負責人Jeff Dean領導撰寫的一篇預印本論文中，Google Research科學家以及Google晶元基礎架構團隊進一步講述了基於機器學習的晶元設計方法，這種方法借鑒了過去積累的訓練經驗，使訓練效果大幅提升。
Jeff Dean提到，數十年來，推動計算技術發展的基本思想是：給要解決的問題匹配足夠的算力。問題越大，算力越大。
但，當我們進入AI時代後突然發現，算力並沒有「那麼」重要了。
事實證明，AI/ML不需要典型的CPU/GPU的複雜功能，所需的數學運算也更簡單，而且要求的精度也低很多。
事實還證明，AI在設計晶元方面天賦異稟。
基於谷歌工程師在3月份發表論文中提出的技術，AI設計晶元的水平越來越高，完全自動化地布置晶元上晶體管也毫無壓力。
現在，AI設計晶元平均只需要6個小時。而同樣的活兒，人工做要花費幾周時間。
顯而易見，這項技術蘊含著多麼巨大的商業價值！資金短缺的中小微企業也有機會開發自己的晶元，用於AI研發和其他用途。此外，晶元設計周期也被大大縮短，可以使硬體更好地適應技術的快速發展。
反覆失敗、克服難以想像的困難，Google AI終於碾壓集成電路設計專家！
當然訓練AI設計晶元的過程也不是一蹴而就的，需要克服難以想像的困難。
「在設計過程中，有設計工具可以幫助做一些布局，同時還有人工布局和走線設計專家一起參與，要反反覆複試驗很多次，」Dean在去年年底接受 VentureBeat 採訪時說。
「從你心目中想要的設計開始，到把組件實際布置在一個晶元上，在面積、功率和電線長度等方面實現精準的設計，這個過程要花費幾周的時間。我們可以建立一個機器學習模型，學習如何對特定的晶元進行布置。」
研究人員將邏輯門和存儲器組成的晶元網表放在一個晶元畫布上，這樣就可以一目了然地優化設計中的功耗、性能和面積(PPA），同時遵守對布置密度和走線阻塞的限制。這些網表大小不等，由成千上萬個集群中的數百萬到數十億個節點組成，通常，評估達成目標需要花費幾個小時到一天以上的時間。
研究人員設計了一個框架，指導AI智能體進行強化學習訓練，來優化晶元的布置位置。(強化學習通過獎勵政策來刺激AI智能體完成目標，在這種情況下，AI智能體會根據獎勵最大化的情況進行布置。)
根據晶元網表，當前節點的 ID，以及網表和半導體技術的元數據，一個政策AI模型會在可用的布置位置上輸出一個概率分布，而價值模型則對當前布置的預期報酬做出估計。
就這樣，從一個空晶元開始，AI智能體完成網路列表，然後按順序布置組件。最終AI智能體會收到系統的獎勵。為了引導AI智能體先選擇布置哪些組件，組件按降序大小排列; 先布置較大的組件，會減少以後無法布置組件的可能性。
培訓AI智能體，需要創建一個包含10,000個晶元布置情況的數據集，其中輸入與給定布置相關的狀態，標籤是布置相對應的獎勵(即，線路長度和阻塞)。研究人員首先挑選了5個不同的晶元網表，然後應用AI演算法為每個網路列表創建2000個不同的布置位置。
在實驗中，研究人員報告說，在越多的晶元上訓練框架，就能夠越快地進行訓練，產生更高質量的結果。他們聲稱，與主流晶元相比，谷歌TPU (人工智慧加速器晶元)的產品實現了更好的 PPA。
研究人員得出結論，現有的方法總是從零開始優化每個新晶元布置位置，我們的工作利用了先前布置晶元所積累的知識，隨著時間的推移訓練效果變得越來越好。
「此外，我們的方法可以直接優化目標指標，如線長、密度和阻塞，而不必像其他方法那樣定義這些函數的近似值。我們的公式不僅使新的成本函數易於合併，還使得我們可以根據給定晶元塊的需要(例如，時序關鍵或功耗受限）)來衡量它們的相對重要性。」
晶元設計也能遷移學習？還可大幅縮短訓練時間
如果能利用先前的設計經驗，實現遷移學習，將大大縮短訓練時間和成本。如果在晶元設計中使用預訓練的政策能否產生更好的結果？
Google團隊對比了從頭開始訓練和從預訓練策略網路開始訓練的收斂圖，結果顯示，經過預訓練的策略網路在微調過程開始時就獲得了較低的布置成本，經過預訓練的策略網路可以收斂到更低的布置成本，並且比從頭開始訓練的策略網路要快30個小時以上。
下圖顯示的是使用預訓練策略生成的布置位置質量與從頭訓練策略網路生成的布置位置質量比較。
使用Zero-Shot在不到一秒鐘的時間內就生成了布置位置。如果我們根據特定設計的細節對預訓練的策略網路進行2到12個小時的微調，結果比從零開始訓練24小時的效果要好，說明預訓練所學到的權重和專家的設計經驗起了很關鍵的作用。
研究人員在三個不同的訓練數據集上對策略網路進行了預訓練（小數據集是中型數據集的一個子集，而中型數據集是大型數據集的一個子集）。然後在相同的測試塊上微調預訓練的策略網路，並對比不同訓練時間下的成本。隨著數據集的增大，生成的布置質量和在測試塊上收斂的時間都會提高。
布置成本和數據集大小及微調時間的關係
不同數據集下的收斂時間
如果僅用Zero-Shot進行布置，位置會顯得很擁擠（左圖），而經過人類專家微調的策略網路，能獲得接近最優的布置效果（右圖）。
「我們的方法和人類專家都能產生可行的布局，而且符合晶元的時序和阻塞設計標準。我們在WNS、面積，功率和線長方面也優於或相當於人類專家的設計。但是，我們端到端的學習方法耗時僅6個小時，而手動布置需要一個緩慢的迭代優化過程，還需要專家干預，導致整個周期可能持續數周」。
Google的試驗證明這種基於RL的方法是支持遷移學習的，RL智能體會在越來越多的設計經驗中獲得靈感，也許未來將超過人類的腦洞，設計出前所未有的高性能晶元。
AI設計晶元會搶走我們的飯碗嗎？
21世紀最貴的是什麼？人工。最便宜的是什麼？人工智慧。
晶元研發周期長、成本高，重度依賴設計。優秀的晶元設計師非常稀缺，基本都被幾家老牌晶元大廠壟斷，後起之秀很難在短期內挖到足夠的資深設計師。
從零培養一個人類設計師很難，利用已有的數據從零訓練一個AI設計師相比就簡單多了。況且，AI不要工錢，不貪福利，不會罷工，永不疲憊。更重要的是，它隨叫隨到。
讀者朋友們，你看好AI設計晶元嗎？你認為如果AI連晶元都能設計，是否會威脅到晶元從業人員的工作崗位呢？是否意味著未來將可能出現AI製造AI？歡迎留言討論。
