如何利用機器學習系統(tǒng)子啊6h內(nèi)生成芯片版圖

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(zhàn)人類在更復雜、更具商業(yè)價值領域（即設計微芯片）的統(tǒng)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(fā)了一種機器學習系統(tǒng)，該系統(tǒng)在短時間內(nèi)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(wǎng)絡版發(fā)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(nèi)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(yōu)于人類設計的芯片版圖?！?/p>

雖然其他公司，如楷登電子（Cadence）、國際商業(yè)機器公司（IBM）和英偉達（NVIDIA）已經(jīng)實現(xiàn)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(fā)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(jīng)將這一系統(tǒng)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(qū)域中布置大的內(nèi)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(yōu)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(qū)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(xiàn)芯片性能、功耗和成本的最優(yōu)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(shù)百或數(shù)千個宏和數(shù)百萬或數(shù)十億個標準單元，其布線可能長達數(shù)公里。芯片中可能需要進行布局設計的模塊數(shù)量幾乎是天文數(shù)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(shù)百萬年內(nèi)也不能嘗試完所有可能的解決方案。

相反，傳統(tǒng)的優(yōu)化方法通過使用簡化模型和啟發(fā)式算法（經(jīng)驗法則）簡化了這個問題。到目前為止，直覺力強且經(jīng)驗豐富的人類芯片設計師在運用上述優(yōu)化方法方面比機器驅(qū)動的算法表現(xiàn)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(yōu)化問題，比如布局規(guī)劃，這其中有很多需要權(quán)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?！盙uthaus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(yōu)化技術的研究已有數(shù)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(nèi)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(diào)整。一個版圖可能需要數(shù)周或數(shù)月的時間才能最終確定下來。

隨著AI等領域?qū)Ω鼜姶笮酒枨蟮募ぴ觯涌爝@一設計過程已成為科技行業(yè)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?！睂τ诠雀韫径?，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(chǎn)的AI技術用戶，也是一個領先的AI創(chuàng)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(jīng)網(wǎng)絡（一種多層神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的內(nèi)部聯(lián)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(tǒng)在第一次嘗試后的短短幾個小時內(nèi)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(tǒng)自動優(yōu)化方法（如模擬退火）進行一對一比較時，該系統(tǒng)的速度明顯更快，設計的質(zhì)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(tǒng)設計版圖的速度要快得多；在大多數(shù)情況下，其質(zhì)量甚至超過了人工設計的版圖。Guthaus說道：“這非常令人興奮，結(jié)果看起來很驚人?！彼娣Q：“仍需要與一流的人類設計進行大量比較?！?/p>

與傳統(tǒng)的自動化系統(tǒng)和人工系統(tǒng)相比，該系統(tǒng)最大的優(yōu)點是可以從大量的實例中學習。隨著經(jīng)驗的積累，該系統(tǒng)會變得更加熟練和靈活。谷歌團隊表示，隨著訓練的芯片數(shù)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(yōu)位置方面將表現(xiàn)得更好。在植入10 000個版圖示例進行預先訓練后，該系統(tǒng)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(guī)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(nèi)部區(qū)域留給標準單元。這樣做的結(jié)果就像網(wǎng)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(qū)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(nèi)存、邏輯控制等）對宏進行分組，從而創(chuàng)造出有序的設計。然后，各組宏之間的開放區(qū)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(jié)省數(shù)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(fā)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(tǒng)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(tǒng)的優(yōu)勢似乎不僅僅體現(xiàn)在理論上。谷歌公司迅速將其自動化系統(tǒng)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(fā)的專用集成電路（ASIC），專門為加速對許多谷歌服務（包括互聯(lián)網(wǎng)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(tǒng)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(fā)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(tǒng)和硬件真的改變了機器學習技術?，F(xiàn)在是機器學習技術給予回饋的時候，它將改變系統(tǒng)和硬件的設計方式?！?/p>

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(yōu)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(guī)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(yōu)化方案可以解決芯片設計以外重要的布局問題?！?/p>

編輯：黃飛

?