能设计芯片的AI黑科技来了！
就在刚刚，谷歌DeepMind推出名为AlphaChip的AI系统。
无论是设计最先进的用于构建AI模型的TPU，还是数据中心的CPU，它在相关的众多领域，都产生了广泛影响。
在谷歌的许多款芯片设计中，它都取得了出色的效果，比如Axion芯片（一种基于Arm 的通用数据中心CPU）。
AlphaChip设计芯片，用的是强化学习的原理。
也就是说，芯片布局设计对它来说是一种游戏，就像AlphaGo一样，它在游戏中，学习如何设计出最好的芯片布局。
几小时内，它就能生成超出人类水平，或是与人类专家相当的芯片布局了。
现在，它已经用于设计多代TPU芯片（TPU v5e、TPU v5p和Trillium）。而且跟人类专家相比，AlphaChip放置的块数越来越多，线长也减少了许多。
布局五年，谷歌多代TPU全由AI设计
其实谷歌对于这个AI，已经布局多年了。
早在2020年，团队就发表了一篇预印本论文，介绍了谷歌的全新强化学习方法，用于设计芯片布局。
论文地址：https://arxiv.org/pdf/2004.10746
后来在2021年，这项工作发表在了Nature上，并且进行了开源。
论文地址：https://www.nature.com/articles/s41586-021-03544-w
而自从首次发表这项工作以来，谷歌内部一直在对它进行改进。
今天，团队发表了Nature附录，详细描述了具体方法，及其对芯片设计领域的影响。
同时，他们还发布了一个预训练的检查点，分享了模型权重，公布模型名称为AlphaChip。
谷歌表示，AlphaChip是最早用于解决现实世界工问题的强化学习方法之一。
在数小时内，它就可以生成超人或类似的芯片布局，而不需要花费数周或数月的人类。它设计的芯片布局，已经被用于世界各地的芯片中，包括数据中心和移动电话。
为了设计TPU布局，AlphaChip首先在来自前几代的各种芯片模块上进行实践，例如片上和片间网络模块、内存控制器和数据传输缓冲区。这一过程被称为预训练。
然后，团队在当前的TPU模块上运行AlphaChip，以生成高质量的布局。
与之前的方法不同，AlphaChip在解决更多芯片布局任务时变得更好、更快，类似于人类专家的工作方式。
对于每一代新的TPU，包括谷歌最新的Trillium(第6代)，AlphaChip都设计了更好的芯片布局，并提供了更多的总体布局图，从而加快了设计周期，产生了更高性能的芯片。
条形图显示了谷歌三代TPU上AlphaChip设计的芯片块的数量，包括v5e、v5p和Trillium
条形图显示，跟TPU物理设计团队生成的布局相比，AlphaChip在TPU三代产品中的平均有线长度减少
工作原理：一边设计，一边奖励
其实，设计芯片布局并不是一项简单的任务。
一般来说，计算机芯片有许多相互连接的模块、多层电路元件组成，所有这些部件都由纤细无比的导线连接起来。
此外，还有许多复杂且相互交织的设计约束，必须同时满足。
由于设计的复杂性，60多年来，芯片设计工程师一直在努力自动化芯片布局规划过程。
谷歌表示，AlphaChip的研发，从AlphaGo和AlphaZero中汲取了经验。
众所周知，通过深度学习和博弈论，AlphaGo和AlphaZero逐渐从0掌握了围棋、国际象棋和将棋的潜在规则。
AlphaChip同样是采用了，将芯片底层规划视为一种游戏的策略。
从空白栅格开始，AlphaChip每次放置一个电路元件，直至放置完所有元件。
然后，根据最终布局的质量，给予模型奖励。
一种全新的「基于边」的图神经网络让AlphaChip，能够学习相互连接的芯片元件之间的关系，并在芯片之间进行泛化，让AlphaChip在设计的每种布局中都有所改进。
左图：动画显示AlphaChip在没有任何经验的情况下，将开源的Ariane RISC-V CPU置入。右图：动画显示AlphaChip在对20个TPU相关设计进行练习后，放置相同的块。
AI大牛带队，2页浓缩版力作
让我们从最新论文中深扒一下，AlphaChip的整个训练过程。
值得一提的是，这项研究依旧是由Jeff Dean带队，所有核心要素全都浓缩在了这两页论文中。
论文地址：https://www.nature.com/articles/s41586-024-08032-5
预训练
与以往方法不同的是，AlphaChip是基于一种「强化学习」的方法。
这意味着，当它解决了更多芯片布局问题的实例时，会变得更好、更快。
正如Nature论文（2021年），以及ISPD 2022后续研究中所讨论的那样，这种预训练过程显著提升了AI的速度、可靠性、布局的性能。
顺便提一句，预训练也能培养出LLM，像Gemini、ChatGPT令人印象深刻的能力。
自此前研究发表以来，谷歌便开源了一个软件库，以重现论文中描述的方法。
开发者们可以使用这个库，对各种芯片进行预训练，然后将预训练的模型应用到新的块。
GitHub地址：https://github.com/google-research/circuit_training
基于最新的AlphaChip训练过程，研究人员在库中添加了预训练的20个TPU块模型检查点（checkpoint）。
显然，如果不进行任何预训练，AlphaChip就无法从先前的经验中学习，从而规避了学习方面的问题。
训练和计算资源
随着RL智能体（任何ML模型）的投入训练，它的损失通常会逐渐减少。
最终会趋于平稳，这代表着模型对其正在执行的任务有了尽可能多的了解，对外表现就是「收敛」。
从训练到收敛，是机器学习的标准做法。如果不按照这个路径来，可能会损害模型的性能。
AlphaChip的性能随应用的计算资源而扩展，在ISPD 2022论文中，谷歌团队曾进一步探讨了这一特性。
论文地址：https://dl.acm.org/doi/10.1145/3505170.3511478
正如Nature论文中所描述的，在对特定块进行微调时，使用了16个工作单元，每个单元由1个GPU和32个RL环境组成，通过多进程处理共享10个CPU。
总言之，用较少的计算资源可能会损害性能，或者需要运行相当长的时间，才能实现相同（或更差）性能。
初始布局
在运行Nature论文中评估方法之前，团队使用了来自物理综合的近似初始布局，以解决hMETIS标准单元集群大小不平衡的问题。
RL智能体无权访问初始布局，并且不复杂放置标准单元。
尽管如此，谷歌作者还是进行了一项消融研究，排除了任何初始布局的使用，并且也没有观察到AlphaChip性能下降。
如下表1所示。
具体来说，他们跳过了单元集群重新平衡的一步，而是将hMETIS集群不平衡参数降低到最低设置（UBfactor = 1）。
由此，这使得hMETIS生成更平衡的集群。
基准
在Nature论文中，研究人员采用了10nm以下制程的TPU块进行实验得出的结果。
这个技术节点的大小，正是现代芯片的典型尺寸。之前许多论文报告中，采用较早的45nm、12nm。
从物理设计角度来看，这种较老的技术节点尺寸的芯片，有着显著的不同。
比如，在10nm以下的芯片中，通常使用多重图案设计，这会在较低密度下导致布线拥堵的问题。
来源：Pushing Multiple Patterning in Sub-10nm: Are We Ready?
因此，对于较早的技术节点尺寸，AlphaChip可能需要调整其奖励函数，以便更好地适应技术。
展望未来：AI将改变整个芯片设计流程
自从2020年发布以来，AlphaChip已经生成了每一代谷歌TPU使用的超人芯片布局。
可以说，正是因为它，才能使大规模放大基于Transformer架构的AI模型成为可能。
无论是在Gemini这样的LLM，还是Imagen和Veo这样的图像和视频生成器中，TPU都位于谷歌强大的生成式AI系统的核心。
另外，这些AI加速器也处于谷歌AI服务的核心，外部用户可以通过谷歌云获得服务。
谷歌数据中心的一排Cloud TPU v5p AI加速器超算
如今，谷歌的三代旗舰TPU芯片，已经在世界各地的数据中心中制造、部署。
随着每一代TPU的发展，AlphaChip和人类专家之间的性能差距不断扩大。
从TPU v5e中的10个RL放置模块和3.2%的布线长度减少，到TPU v5p中的15个模块和4.5%的减少，再到Trillium中的25个模块和6.2%的减少。
AlphaChip还为数据中心CPU（Axion）和谷歌尚未公布的其他芯片，生成了超越人类的布局设计。
而其他公司，也在谷歌研究的基础上进行了改进。
比如联发科就不仅用AlphaChip加速了最先进芯片的开发，还在功耗、性能和面积上对芯片做了优化。
如今，AlphaChip仅仅是一个开始。
谷歌对未来做出了大胆畅想：AI将实现芯片设计全流程的自动化，
通过超人算法以及硬件、软件和机器学习模型的端到端协同优化，芯片设计的周期会显著加快，还会解锁性能的新领域。
谷歌表示，非常期待和社区合作，实现AI芯片以及芯片AI之间的闭环。
