域名频道资讯站如今许多人在大量的资金支持下通过大量的工作来开发新的AI芯片，这些芯片的目的是更快和更高效地执行AI算法。但问题在于，芯片的设计通常需要花费一两年甚至三五年时间，并且机器学习（ML）算法的发展速度非常快，这么长的芯片设计周期难以满足算法更新的需求。
理想情况下，你设计出的芯片是能够很好地满足当今AI算法的需求，而不是两到五年前的AI算法。而Google的解决方案是——让AI设计AI芯片。
Arxiv网站上的一篇论文的作者写道：“我们相信，AI将能够缩短芯片的设计周期，在硬件与AI算法之间建立共生关系，并进一步推动彼此的进步。”。
“我们已经看到，有些算法或神经网络架构在现有的AI加速器上效果不佳，因为加速器设计类似于两年前，而那时这些神经网络架构和算法并不存在。” Google的高级研究科学家Azalia Mirhoseini表示，“如果缩短设计周期，我们可以缩小差距。”
Mirhoseini和高级软件工程师Anna Goldie提出了一个神经网络，可以学习并设计一些需要耗费大量时间的部分，这个工作被称作“布局”。在对芯片设计进行了足够长时间的学习之后，它可以在不到24小时的时间内为Google Tensor处理单元完成设计，在功耗、性能、面积（PPA）都超过了人类专家数周的设计成果。
布局之所以如此复杂且耗时，是因为它涉及到布局逻辑和内存块，或这些块的群集（也称为宏），要达到芯片功耗和性能最大化，而芯片面积最小。这当中面临的挑战是，必须在遵守互连密度规则的同时进行所有这些工作。
Goldie和Mirhoseini的目标之所以在芯片的布局，是因为即使使用当今的先进的设计工具，也需要人类专家花费数周的时间迭代才能得出可接受的设计。
Goldie和Mirhoseini将芯片布局建模为强化学习问题。与典型的深度学习不同，强化学习系统不会使用大量标记的数据进行训练。相反，他们会边做边学，并在成功时根据有效信号调整网络中的参数。在这种情况下，有效是降低功率、改善性能和减少面积组合的替代指标。
结果就是，布局机器人执行的设计越多，其效果就会越好。
该团队希望像他们一样的AI系统能引领，在相同时间内设计更多的芯片，并且运行速度更快、功耗更低、制造成本更低、芯片的面积更小的设计。
除了谷歌，两大EDA巨头也开始在其芯片设计工具中加入AI。Synopsys推出的是用于芯片设计的自主AI应用程序——DSO.ai(Design Space Optimization AI)。DSO.ai通过获取由芯片设计工具生成的大数据流，并用其来探索搜索空间、观察设计随时间的演变情况，同时调整设计选择、技术参数和工作流程，以指导探索过程向多维优化的目标发展。
Cadence也推出了新版Cadence数字全流程，这一新版的流程采用了支持机器学习（ML）功能的统一布局布线和物理优化引擎等多项业界首创技术，吞吐量最高提升3倍，PPA最高提升20%。
总的来说，两大EDA公司加入AI的芯片设计工具可以缩短芯片的设计时间高达10倍，芯片PPA提升20%。
本文素材来自互联网
