一直以來，微芯片設計的成敗在很大程度上取決于布局規劃和布局步驟，這些布局步驟決定了內存和邏輯元件在芯片上的位置。

反過來，位置又會強烈影響芯片設計是否能夠滿足包括處理速度和電源效率在內的操作要求。

到目前為止，平面規劃任務是由專業工程師在數周或數月內反復艱苦地去執行完成的。盡管已經進行了長達 50 年的研究，但是目前的芯片布局規劃仍然無法實現自動化，仍舊需要物理設計工程師數月的努力才能制作出布局規劃。

自 20 世紀 60 年代以來，研究人員們提出了許多芯片布局規劃方法，這些布局規劃方法可分為三大類：基于分區的方法、隨機/爬山方法和分析解算器。

然而，這些方法都不能達到人工水平，芯片復雜性的指數增長使得這些技術在現代芯片上基本上無法使用。

但在《自然》雜志今年 6 月發表的一篇論文中，來自谷歌的研究人員發布了一種機器學習方法，該方法可在數小時內實現出色的芯片布局規劃。

谷歌的這項研究解決了芯片布局規劃自動化的問題。眾所周知，計算機行業一直受到摩爾定律的推動：每一塊芯片的組件數量大約每兩年翻一番。

這一進步速度相當于一個芯片上的元件數量每周增加約 1%。因此，無法自動完成布局規劃是一個問題，這不僅是因為相關的時間成本，還因為它限制了芯片開發計劃中可以探索的解決方案數量。

此次，谷歌研究人員提出一個芯片布局規劃的強化學習方法，在不到 6 小時的時間內，即可用該方法自動生成一張芯片平面圖，功耗、性能和芯片面積等所有關鍵指標都優于或相當于人工生成的平面圖。

該方法可跨芯片進行推廣，這意味著它能從過往經驗中學習，在放置新芯片時變得更好更快，從而使芯片設計師得到人工代理的協助，而人工代理的經驗比任何人都豐富。

據悉，該研究允許芯片設計由具有比任何人類設計師更豐富經驗的人工代理來完成，此方法曾被用于設計下一代谷歌人工智能（AI）加速器，每一代都有可能節省數千小時的人力。

目前，該研究方法已投入使用，并將用于設計下一代 Google TPU。

谷歌研究人員相信，更強大的人工智能設計硬件將推動人工智能的發展，并在這兩個領域之間建立一種共生關系。

事實上，培訓跨芯片的布局策略是非常具有挑戰性的，芯片布局規劃類似于一個游戲，具有不同的塊（例如網表拓撲、宏計數、宏大小和縱橫比）、板（不同的畫布大小和縱橫比）和贏條件（不同的評估指標或不同的密度和路由擁塞約束的相對重要性）。

據悉，自動化和加速芯片設計過程還可實現人工智能和硬件的協同設計，從而產生針對重要工作負載定制的高性能芯片：比如自動車輛、醫療設備和數據中心等領域。

這種形式的布局優化出現在科學和工程應用中，包括硬件設計、城市規劃、疫苗測試和分配以及大腦皮層布局。因此，研究人員們相信研究的布局優化方法可應用于芯片設計以外的有效布局問題。

開發比現有方法更好、更快和更便宜的自動化芯片設計方法，將有助于保持芯片技術的“摩爾定律”軌跡。

對于芯片行業的技術領導者和決策者來說，谷歌論文中最重要的啟示可能是研究出的布局方案已經被納入谷歌下一代人工智能處理器的芯片設計中。

責任編輯：haq