本文選自中國工程院院刊《Engineering》2022年第3期，原文出自：Machine Learning Produces Superhuman Chip Designs

從國際象棋到圍棋，如今，人工智能（AI）正在挑戰人類在更復雜、更具商業價值領域（即設計微芯片）的統治地位。2021年6月，谷歌大腦（Google Brain）項目的研究人員稱，他們開發了一種機器學習系統，該系統在短時間內就可生成人類專家需耗費大量時間才能生成的可制造的芯片版圖。6月10日，《自然》雜志網絡版發布了一篇文章，科學家Azalia Mirhoseini和Anna Goldie帶領的谷歌研究團隊在這篇文章中指出：“我們的方法能讓AI在6 h內生成芯片版圖，生成的芯片版圖在幾乎所有關鍵指標（包括功耗、性能和芯片面積）上均能達到甚至優于人類設計的芯片版圖。”

雖然其他公司，如楷登電子（Cadence）、國際商業機器公司（IBM）和英偉達（NVIDIA）已經實現了自身基于機器學習的芯片設計解決方案，但是谷歌公司的AI技術無疑是使其成為第一個在芯片版圖設計領域超越人類的公司。這一壯舉是AI領域的一個重要里程碑，可能會大大縮短新型微處理器和其他先進芯片的開發時間。《自然》雜志的編輯稱贊這一壯舉為“一項有助于加速芯片供應鏈的重要成就”。事實上，谷歌公司已經將這一系統投入使用，為公司下一代AI加速芯片設計版圖。

版圖設計是微芯片物理設計的早期階段（圖1）。包括在代表芯片表面的矩形區域中布置大的內存和邏輯控制單元（即宏）。繪制出初始版圖后，在剩余的開放空間中布置較小的邏輯塊（即標準單元），并布線將宏和單元連接起來。

圖1.?版圖設計是半導體物理設計的早期步驟，包括在芯片表面布置大的功能塊（即宏），同時綜合考慮芯片尺寸、性能和功耗。版圖設計之后是標準單元的布置、互連布線和時序優化。IC：集成電路。

芯片版圖設計是一項精密的工作，設計時需要綜合考慮芯片面積、性能和功耗。版圖設計人員試圖在最小化芯片區域的同時，盡可能縮短布線長度，避免走線擁擠，并滿足時間要求和其他設計標準。總體目標是實現芯片性能、功耗和成本的最優組合。

這是一項艱巨而復雜的任務。當今較大的芯片可能有數百或數千個宏和數百萬或數十億個標準單元，其布線可能長達數公里。芯片中可能需要進行布局設計的模塊數量幾乎是天文數字。例如，Mirhoseini等研究人員稱，谷歌研究團隊設計的版圖可能有超過102500個模塊需要進行布局設計。相比之下，圍棋需要布局設計的模塊僅為10360個。版圖組合方式的復雜性意味著僅憑“蠻力”來計算是不可能的；即使用上世界上的全部算力，在數百萬年內也不能嘗試完所有可能的解決方案。

相反，傳統的優化方法通過使用簡化模型和啟發式算法（經驗法則）簡化了這個問題。到目前為止，直覺力強且經驗豐富的人類芯片設計師在運用上述優化方法方面比機器驅動的算法表現得更好。加利福尼亞大學圣克魯茲分校計算機科學與工程系教授Mathew Guthaus說道：“計算機面臨著復雜的資源優化問題，比如布局規劃，這其中有很多需要權衡的因素。這就相當于雜耍球，如果你掉了一個球，那么其他的球都會掉下來。”Guthaus曾獲得過谷歌公司提供的研究資金，但他并未參與該項目。

盡管人們對自動優化技術的研究已有數十年的歷史，但技藝精湛的人類版圖設計師仍能在更短的時間內做出更好的設計。但即使是最厲害的設計師，版圖設計也是一個漫長而又艱苦的過程。在這個過程中，版圖都是手工繪制的，在設計的過程中還需要反復調整。一個版圖可能需要數周或數月的時間才能最終確定下來。

隨著AI等領域對更強大芯片需求的激增，加快這一設計過程已成為科技行業的首要任務。Mirhoseini表示：“自2012年以來，AI技術的最大計算能力每幾個月翻一番——遠遠快于摩爾定律（Moore’s Law）中的翻番周期。”對于谷歌公司而言，用機器學習解決上述問題似乎是必然之選。谷歌公司既是一個多產的AI技術用戶，也是一個領先的AI創新者。

具體來說，谷歌團隊使用了一種強化學習技術，即由深度神經網絡（一種多層神經網絡）組成的人工“智能體”通過試錯進行學習。當布置宏并探索各種版圖設計時，智能體會收到不同布線長度、擁擠程度和密度的傳輸信號。好的傳輸信號會加強神經網絡的內部聯系，并且隨著時間的推移會變得更好。

按照這種方式進行訓練，該系統在第一次嘗試后的短短幾個小時內就可生成可用的版圖，無需進行人類設計師通常需要的多次迭代。與傳統自動優化方法（如模擬退火）進行一對一比較時，該系統的速度明顯更快，設計的質量更高（從布線長度、時間、走線擁擠程度、面積和功率等方面衡量）。與人工設計版圖相比，該系統設計版圖的速度要快得多；在大多數情況下，其質量甚至超過了人工設計的版圖。Guthaus說道：“這非常令人興奮，結果看起來很驚人。”他曾警告稱：“仍需要與一流的人類設計進行大量比較。”

與傳統的自動化系統和人工系統相比，該系統最大的優點是可以從大量的實例中學習。隨著經驗的積累，該系統會變得更加熟練和靈活。谷歌團隊表示，隨著訓練的芯片數量不斷增多，他們的方法在為之前看不見的芯片塊快速設計最優位置方面將表現得更好。在植入10 000個版圖示例進行預先訓練后，該系統獲得了“不同芯片通用”的能力——能為各種芯片類型建立版圖。谷歌團隊稱，這一壯舉就像掌握了多種不同規則的游戲。

有趣的是，機器生成的版圖與人工繪制的版圖完全不同。人類設計師通常將宏排列成整齊的行和列，將相關的功能緊密地排列在芯片的外圍，而將內部區域留給標準單元。這樣做的結果就像網格狀的公寓單元被寬闊的干道隔開一樣（圖2）。相比之下，谷歌公司AI自動生成的版圖中宏的排列幾乎是隨機的[Goldie稱它們看起來“像外星人”（alien-looking）]：宏和開放區域拼接在一起，分散在芯片上，沒有明顯的形狀。

圖2.?人類設計師通常按功能（處理器塊、內存、邏輯控制等）對宏進行分組，從而創造出有序的設計。然后，各組宏之間的開放區域用更小的邏輯塊（標準單元）和連接線（連接各個塊的布線）填充。

谷歌團隊表示，這種新方法有可能為每一代新款芯片的生成節省數千小時的人力。加利福尼亞大學圣迭戈分校電子工程與計算機科學教授Andrew Kahng認為：“自動化芯片設計方案比目前的方法發展得更好、更快，成本更低，有助于保持芯片技術遵循‘摩爾定律’軌跡。”此外，與人類設計師相比，該系統的設計速度更快，可以嘗試更多種設計方案；人類設計師需手動設計芯片版圖，設計速度比較慢，且設計時間安排的比較緊湊。

該系統的優勢似乎不僅僅體現在理論上。谷歌公司迅速將其自動化系統投入實際應用，為公司的下一代張量處理器（TPU）建立可制造的版圖。TPU是一種專為機器學習開發的專用集成電路（ASIC），專門為加速對許多谷歌服務（包括互聯網搜索、街景、谷歌照片，以及基于云計算的商用AI服務）至關重要的機器學習系統而設計。

谷歌團隊最終預測，機器學習將加快更強大芯片的開發速度，而芯片設計反過來也會加快機器學習的速度。Mirhoseini稱：“在過去幾十年中，系統和硬件真的改變了機器學習技術。現在是機器學習技術給予回饋的時候，它將改變系統和硬件的設計方式。”

芯片設計可能只是個開始。Mirhoseini等研究人員說：“這種形式的布局優化方案可廣泛應用于科學和工程設計，包括硬件設計、城市規劃、疫苗測試與分配，以及大腦皮層布局。因此，我們相信這種布局優化方案可以解決芯片設計以外重要的布局問題。”

編輯：黃飛

?