研究
2020 年，我们发布了一份预印本，介绍了我们用于设计芯片布局的新颖强化学习方法，该方法后来发表在《自然》杂志上并开源。
今天，我们发布了《自然》附录，其中描述了更多关于我们的方法及其对芯片设计领域的影响。我们还发布了预训练检查点，共享模型权重并宣布其名称：AlphaChip。
计算机芯片推动了人工智能 (AI) 的显着进步，AlphaChip 通过利用 AI 加速来回报您的青睐并优化芯片设计。该方法已用于在过去三代 Google 定制人工智能加速器张量处理单元 (TPU) 中设计超人芯片布局。
AlphaChip 是最早用于解决实际问题的强化学习方法之一。-世界工程问题。它可以在数小时内生成超人或类似的芯片布局，而不是花费数周或数月的人力，并且其布局被用于从数据中心到移动电话的世界各地的芯片中。
设计芯片布局并不是一项简单的任务。计算机芯片由许多互连的块组成，其中包含多层电路组件，所有组件均通过极其细的电线连接。还有许多复杂且相互交织的设计约束，所有这些都必须同时满足。由于其绝对的复杂性，芯片设计人员六十多年来一直在努力实现芯片布局规划过程的自动化。
与学会掌握围棋、国际象棋和将棋游戏的 AlphaGo 和 AlphaZero 类似，我们构建了 AlphaChip将芯片布局规划视为一种游戏。
从空白网格开始，AlphaChip 一次放置一个电路元件，直到完成所有元件的放置。然后根据最终布局的质量进行奖励。一种新颖的基于边缘的图形神经网络使 AlphaChip 能够学习互连芯片组件之间的关系并进行跨芯片泛化，从而使 AlphaChip 能够改进其设计的每个布局。
自 2020 年发布以来，AlphaChip 已经生成了用于每一代 Google TPU 的超人芯片布局。这些芯片使得大规模扩展基于 Google Transformer 架构的 AI 模型成为可能。
TPU是我们强大的生成式人工智能系统的核心，从大型语言模型（如 Gemini）到图像和视频生成器（Imagen 和 Veo）。这些人工智能加速器也是 Google 人工智能服务的核心，可通过 Google Cloud 向外部用户提供。
为了设计 TPU 布局，AlphaChip 首先在前几代的各种芯片模块上进行实践，例如片上和片间网络块、内存控制器和数据传输缓冲区。这个过程称为预训练。然后我们在当前 TPU 块上运行 AlphaChip 以生成高质量的布局。与以前的方法不同，AlphaChip 变得更好更快，因为它解决了更多的芯片放置任务实例，类似于人类专家的做法。
随着每一代新一代 TPU，包括我们最新的 Trillium（第 6 代），AlphaChip 设计了更好的芯片布局并提供了更多的总体布局，加快了设计周期并生产出更高性能的芯片。
AlphaChips 的影响可以通过其应用程序看到横跨 Alphabet、研究界和芯片设计行业。除了设计 TPU 等专门的人工智能加速器之外，AlphaChip 还为 Alphabet 的其他芯片生成了布局，例如 Google Axion 处理器，这是我们首款基于 Arm 的通用数据中心 CPU。
外部组织也在采用和构建在阿尔法芯片上。例如，全球顶级芯片设计公司之一的联发科扩展了AlphaChip，以加速其最先进芯片的开发，例如三星手机中使用的天玑旗舰5G，同时提高了功耗、性能和芯片面积。
AlphaChip 引发了芯片设计人工智能工作的爆炸式增长，并已扩展到芯片设计的其他关键阶段，例如逻辑综合和宏选择。
我们相信 AlphaChip 有潜力优化芯片设计周期的每个阶段，从计算机架构到制造，并改变智能手机、医疗设备、农业传感器等日常设备中定制硬件的芯片设计。
AlphaChip 的未来版本目前正在开发中，我们期待与社区合作，继续革新这一领域，创造一个芯片更快、更便宜、更节能的未来。
p>