芯片按月甚至年計算的設(shè)計周期與AI算法按周甚至按天迭代的周期之前的矛盾越來越明顯，為了能夠保證設(shè)計出的芯片能夠更好地滿足快速迭代的算法，Gooogle團隊將AI強化學習方法應(yīng)用于芯片設(shè)計中復(fù)雜的“布局”工作當中，獲得了顯著的效果提升。而兩大EDA巨頭Synopsys和Cadence也推出了具有AI功能的工具。看來，AI應(yīng)用于AI芯片的趨勢已經(jīng)顯現(xiàn)。

如今許多人在大量的資金支持下通過大量的工作來開發(fā)新的AI芯片，這些芯片的目的是更快和更高效地執(zhí)行AI算法。但問題在于，芯片的設(shè)計通常需要花費一兩年甚至三五年時間，并且機器學習（ML）算法的發(fā)展速度非常快，這么長的芯片設(shè)計周期難以滿足算法更新的需求。

理想情況下，你設(shè)計出的芯片是能夠很好地滿足當今AI算法的需求，而不是兩到五年前的AI算法。而Google的解決方案是——讓AI設(shè)計AI芯片。

Arxiv網(wǎng)站上的一篇論文的作者寫道：“我們相信，AI將能夠縮短芯片的設(shè)計周期，在硬件與AI算法之間建立共生關(guān)系，并進一步推動彼此的進步。”。

“我們已經(jīng)看到，有些算法或神經(jīng)網(wǎng)絡(luò)架構(gòu)在現(xiàn)有的AI加速器上效果不佳，因為加速器設(shè)計類似于兩年前，而那時這些神經(jīng)網(wǎng)絡(luò)架構(gòu)和算法并不存在。” Google的高級研究科學家Azalia Mirhoseini表示，“如果縮短設(shè)計周期，我們可以縮小差距。”

Mirhoseini和高級軟件工程師Anna Goldie提出了一個神經(jīng)網(wǎng)絡(luò)，可以學習并設(shè)計一些需要耗費大量時間的部分，這個工作被稱作“布局”。在對芯片設(shè)計進行了足夠長時間的學習之后，它可以在不到24小時的時間內(nèi)為Google Tensor處理單元完成設(shè)計，在功耗、性能、面積（PPA）都超過了人類專家數(shù)周的設(shè)計成果。

布局之所以如此復(fù)雜且耗時，是因為它涉及到布局邏輯和內(nèi)存塊，或這些塊的群集（也稱為宏），要達到芯片功耗和性能最大化，而芯片面積最小。這當中面臨的挑戰(zhàn)是，必須在遵守互連密度規(guī)則的同時進行所有這些工作。

Goldie和Mirhoseini的目標之所以在芯片的布局，是因為即使使用當今的先進的設(shè)計工具，也需要人類專家花費數(shù)周的時間迭代才能得出可接受的設(shè)計。

Goldie和Mirhoseini將芯片布局建模為強化學習問題。與典型的深度學習不同，強化學習系統(tǒng)不會使用大量標記的數(shù)據(jù)進行訓(xùn)練。相反，他們會邊做邊學，并在成功時根據(jù)有效信號調(diào)整網(wǎng)絡(luò)中的參數(shù)。在這種情況下，有效是降低功率、改善性能和減少面積組合的替代指標。

結(jié)果就是，布局機器人執(zhí)行的設(shè)計越多，其效果就會越好。

該團隊希望像他們一樣的AI系統(tǒng)能引領(lǐng)，在相同時間內(nèi)設(shè)計更多的芯片，并且運行速度更快、功耗更低、制造成本更低、芯片的面積更小的設(shè)計。

除了谷歌，兩大EDA巨頭也開始在其芯片設(shè)計工具中加入AI。Synopsys推出的是用于芯片設(shè)計的自主AI應(yīng)用程序——DSO.ai(Design Space Optimization AI)。DSO.ai通過獲取由芯片設(shè)計工具生成的大數(shù)據(jù)流，并用其來探索搜索空間、觀察設(shè)計隨時間的演變情況，同時調(diào)整設(shè)計選擇、技術(shù)參數(shù)和工作流程，以指導(dǎo)探索過程向多維優(yōu)化的目標發(fā)展。

Cadence也推出了新版Cadence數(shù)字全流程，這一新版的流程采用了支持機器學習（ML）功能的統(tǒng)一布局布線和物理優(yōu)化引擎等多項業(yè)界首創(chuàng)技術(shù)，吞吐量最高提升3倍，PPA最高提升20%。

總的來說，兩大EDA公司加入AI的芯片設(shè)計工具可以縮短芯片的設(shè)計時間高達10倍，芯片PPA提升20%。