一直以來，芯片設(shè)計(jì)的難度絲毫不亞于芯片制造工藝。直到八十年代EDA技術(shù)誕生以后，芯片自動(dòng)化設(shè)計(jì)的出現(xiàn)幫助芯片設(shè)計(jì)以及超大規(guī)模集成電路的難度大大降低，工程師只需要將芯片的功能用編程語言進(jìn)行描述并輸入計(jì)算機(jī)，再由EDA工具軟件將語言編譯成邏輯電路，然后再進(jìn)行調(diào)試即可。

但現(xiàn)在的芯片越來越高端，動(dòng)輒上百億個(gè)晶體管布局，即使依靠EDA工具進(jìn)行芯片設(shè)計(jì)，如此浩瀚的工程往往也需要幾個(gè)月的時(shí)間來完成。隨著人工智能技術(shù)與芯片設(shè)計(jì)的深度融合，未來的芯片設(shè)計(jì)或許只需要數(shù)個(gè)小時(shí)就能完成！

將芯片設(shè)計(jì)變成“棋盤游戲”

英國《自然》雜志9日刊載了一項(xiàng)人工智能突破性成就，來自由Jeff Dean領(lǐng)銜的谷歌大腦團(tuán)隊(duì)以及斯坦福大學(xué)計(jì)算機(jī)科學(xué)系的科學(xué)家們?cè)谝豁?xiàng)聯(lián)合報(bào)告中證明，機(jī)器學(xué)習(xí)工具已可以極大地加速計(jì)算機(jī)芯片設(shè)計(jì)。團(tuán)隊(duì)科學(xué)家們給出了一種基于深度強(qiáng)化學(xué)習(xí)的芯片布局規(guī)劃方法，該方法能給出可行的芯片設(shè)計(jì)方案，且芯片性能不亞于人類工程師的設(shè)計(jì)。最重要的是，整個(gè)設(shè)計(jì)過程只要幾個(gè)小時(shí)，而不是幾個(gè)月，這為今后的每一代計(jì)算機(jī)芯片設(shè)計(jì)節(jié)省數(shù)千小時(shí)的人力。該方法已經(jīng)被谷歌用來設(shè)計(jì)下一代張量處理單元（TPU）加速器。

Jeff Dean相信大家都不陌生，他是被譽(yù)為“谷歌傳奇”、“谷歌AI掌門人”的天才，曾榮獲2021年IEEE馮諾依曼獎(jiǎng)，獲獎(jiǎng)理由是“以表彰對(duì)大規(guī)模分布式計(jì)算機(jī)系統(tǒng)和人工智能系統(tǒng)科學(xué)與工程的貢獻(xiàn)”。1999年加入谷歌后，Jeff Dean設(shè)計(jì)并部署了Google廣告、抓取、索引和查詢服務(wù)系統(tǒng)的大部分內(nèi)容，以及位于Google大部分產(chǎn)品下方的各種分布式計(jì)算基礎(chǔ)架構(gòu)，也是Google新聞、Google翻譯等產(chǎn)品的開發(fā)者。還曾參與創(chuàng)辦谷歌大腦，搭建著名的深度學(xué)習(xí)框架TensorFlow。

Jeff Dean 圖片源自谷歌

這支研究團(tuán)隊(duì)最新的研究表明，人工智能機(jī)器學(xué)習(xí)工具已經(jīng)可以用來加速芯片設(shè)計(jì)中“布局規(guī)劃”的流程。簡單來說，科學(xué)家們讓這個(gè)機(jī)器學(xué)習(xí)工具把“布局規(guī)劃”看作一種棋盤游戲，“棋子”就是電子元器件，而“棋盤”是放置電子元器件的電子畫布，下棋得到的“獲勝結(jié)果”就是通過一系列評(píng)估指標(biāo)獲取最優(yōu)性能（基于一個(gè)包含1萬例芯片布局的參考數(shù)據(jù)集）。

圖片源自谷歌

大家都知道，芯片的布局規(guī)劃十分復(fù)雜，即使是人類工程師也要多番思考后才能對(duì)比選擇出最優(yōu)的布局方案，對(duì)于人工智能機(jī)器學(xué)習(xí)工具來說，它需要從經(jīng)驗(yàn)中不斷學(xué)習(xí)，以便于確定放置新芯片模塊的時(shí)候更好更快。這其中最大的困難在于，如何讓人工智能知道自己放置新芯片模塊達(dá)到了最優(yōu)條件呢？這就需要讓它學(xué)習(xí)優(yōu)化所有可能的芯片網(wǎng)表，設(shè)計(jì)出芯片畫布上的所有可能出現(xiàn)的布局。

正如上文提到的“棋盤游戲”，“棋子”元件包括了網(wǎng)表拓?fù)?、宏?jì)數(shù)、宏大小和縱橫比等元素；“棋盤”電子畫布可以看做不同的芯片畫布大小和縱橫比組成的各種方案；“獲勝”則是在不同的評(píng)估指標(biāo)或不同的密度和路由擁塞約束的相對(duì)重要性。任何一個(gè)元件，在畫布上位置的不同，都可以看做是整個(gè)網(wǎng)表中狀態(tài)的變化，對(duì)全局造成影響。

這種方法其實(shí)很像當(dāng)年名震一時(shí)，先后打敗李世石、柯潔等圍棋冠軍的“AlphaGo”的設(shè)計(jì)原理。AlphaGo正是結(jié)合了監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的優(yōu)勢(shì)，通過訓(xùn)練形成一個(gè)策略網(wǎng)絡(luò)，將棋盤上的局勢(shì)作為輸入信息，并對(duì)所有可行的落子位置生成一個(gè)概率分布。

在獲取棋局信息后，阿爾法圍棋會(huì)根據(jù)策略網(wǎng)絡(luò)探索哪個(gè)位置同時(shí)具備高潛在價(jià)值和高可能性，進(jìn)而決定最佳落子位置。在分配的搜索時(shí)間結(jié)束時(shí)，模擬過程中被系統(tǒng)最頻繁考察的位置將成為阿爾法圍棋的最終選擇。在經(jīng)過先期的全盤探索和過程中對(duì)最佳落子的不斷揣摩后，阿爾法圍棋的搜索算法就能在其計(jì)算能力之上加入近似人類的直覺判斷。這樣設(shè)計(jì)一個(gè)圍棋人工智能的程序就會(huì)依據(jù)既定好的策略執(zhí)行，直到最后獲得棋盤上最大的地盤。

圖片｜人類設(shè)計(jì)的微芯片平面圖（a）與機(jī)器學(xué)習(xí)系統(tǒng)設(shè)計(jì)（b）的不同（來源：Nature）

再回到原本的話題，人工智能技術(shù)在幫助芯片設(shè)計(jì)的過程中，除了對(duì)芯片布局規(guī)劃的直接影響外，這種形式還能被應(yīng)用在廣泛的科學(xué)和工程應(yīng)用中，例如硬件設(shè)計(jì)、城市規(guī)劃、疫苗測(cè)試和分發(fā)以及大腦皮層布局研究等。

結(jié)果顯示，在不到6小時(shí)時(shí)間里，這種方法自動(dòng)生成的芯片平面圖不管是功耗、性能，還是芯片面積等參數(shù)都優(yōu)于或與人類專家生成的設(shè)計(jì)圖效果相當(dāng)，要知道人類工程師達(dá)到同樣的效果往往需要數(shù)個(gè)月的努力。

將芯片設(shè)計(jì)問題轉(zhuǎn)變?yōu)橐粋€(gè)機(jī)器學(xué)習(xí)問題并不容易，美國加州大學(xué)圣迭戈分?？茖W(xué)家對(duì)此認(rèn)為，開發(fā)出比當(dāng)前方法更好、更快、更省錢的自動(dòng)化芯片設(shè)計(jì)方法，有助于延續(xù)芯片技術(shù)的“摩爾定律”。

人工智能技術(shù)能幫助芯片設(shè)計(jì)解決哪些難題

此前OFweek電子工程網(wǎng)在采訪MathWorks首席戰(zhàn)略師Jim Tung時(shí)曾了解到，將人工智能算法應(yīng)用在電子設(shè)計(jì)自動(dòng)化軟件中其實(shí)已經(jīng)很常見，比如知名的光刻機(jī)龍頭ASML在開發(fā)基于機(jī)器學(xué)習(xí)的半導(dǎo)體制造虛擬計(jì)量技術(shù)時(shí)，哪怕本身是一名不具有神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方面經(jīng)驗(yàn)的ASML工藝工程師，也能通過MATLAB軟件案例及其中提供的各種案例，去學(xué)習(xí)使用這款工具進(jìn)行開發(fā)。

Jim Tung還提到，MathWorks所提供的激光雷達(dá)工具箱、預(yù)測(cè)性維護(hù)工具箱、無線工具箱、機(jī)器學(xué)習(xí)/深度學(xué)習(xí)/增強(qiáng)學(xué)習(xí)工具箱、自動(dòng)駕駛工具箱、虛擬道路仿真工具箱，以及關(guān)于視覺檢測(cè)、醫(yī)學(xué)成像、土地分類等一系列的參考案例中，都有人工智能技術(shù)的參與。

同樣，對(duì)于谷歌來說這已經(jīng)不是他們第一次利用人工智能技術(shù)加速芯片開發(fā)的實(shí)驗(yàn)了。過去幾年里，谷歌表示其內(nèi)部正在將人工智能技術(shù)用于一系列芯片設(shè)計(jì)項(xiàng)目中，比如谷歌開發(fā)了AI硬件家族——Tensor Processing Unit（TPU芯片），專門用在服務(wù)器計(jì)算機(jī)中處理AI。使用AI來設(shè)計(jì)芯片是一個(gè)良性循環(huán)，AI讓芯片變得更好，經(jīng)過改良的芯片又能增強(qiáng)AI算法，依此類推。

人工智能技術(shù)到底能幫助解決芯片設(shè)計(jì)中的哪些難題？第一點(diǎn)就是芯片層的設(shè)計(jì)規(guī)劃，芯片布局不是簡單的二維平面問題，而是復(fù)雜的三維設(shè)計(jì)問題，需要在一個(gè)受限制的區(qū)域內(nèi)跨多個(gè)層小心地配置成百上千個(gè)組件。人類工程師會(huì)手動(dòng)設(shè)計(jì)配置，以最小化組件之間使用的電線數(shù)量來提高效率，然后使用電子設(shè)計(jì)自動(dòng)化軟件來模擬和驗(yàn)證它們的性能，而僅一個(gè)單層的平面圖就需要花費(fèi)超過30個(gè)小時(shí)。現(xiàn)在，人工智能技術(shù)也能以人類啟發(fā)式思維去考慮芯片性能、復(fù)雜性、制造成本等多個(gè)因素，以最佳方式進(jìn)行設(shè)計(jì)。

第二點(diǎn)是時(shí)間成本，傳統(tǒng)意義上芯片的壽命在2到5年之間，光是芯片設(shè)計(jì)就占據(jù)了幾個(gè)月的時(shí)間，隨著人工智能技術(shù)的快速發(fā)展，越來越多優(yōu)化芯片層規(guī)劃的算法開始出現(xiàn)，極大縮減研發(fā)人員的開發(fā)時(shí)間。

第三點(diǎn)是智能化程度，比如上文提到的機(jī)器學(xué)習(xí)算法使用正反饋和負(fù)反饋來學(xué)習(xí)復(fù)雜的任務(wù)，研究人員設(shè)計(jì)了一種“獎(jiǎng)勵(lì)函數(shù)”根據(jù)算法的設(shè)計(jì)表現(xiàn)對(duì)其進(jìn)行獎(jiǎng)懲。直到該算法產(chǎn)生數(shù)萬到數(shù)十萬個(gè)新設(shè)計(jì)，每個(gè)設(shè)計(jì)都在幾分之一秒內(nèi)完成，并使用獎(jiǎng)勵(lì)函數(shù)對(duì)它們進(jìn)行評(píng)估。隨著時(shí)間的推移，它最終形成了以最佳方式放置芯片組件的策略。

最后一點(diǎn)是方案的最優(yōu)解，研究人員發(fā)現(xiàn)算法可以計(jì)算到人們腦力無法企及的空白區(qū)，訓(xùn)練計(jì)算的數(shù)量上去了，可作為優(yōu)選的方案自然也就更多了。換言之，算法的許多平面圖其實(shí)比人類工程師設(shè)計(jì)的要好，也就是說它還教會(huì)了人類一些新技巧，這也是一個(gè)相互學(xué)習(xí)的過程。

當(dāng)然，強(qiáng)大的算法雖然可以縮減芯片設(shè)計(jì)的時(shí)長，但并不意味著具有完全自主決策的能力，它更多的還是扮演著“AI助理”的角色，只不過這個(gè)助理豐富的案例和超快計(jì)算能力能夠更好的幫助人類工程師實(shí)現(xiàn)快速的芯片設(shè)計(jì)流程。

參考資料

1、《A graph placement methodology for fast chip design》

2、《AI system outperforms humans in designing floorplans for microchips》