行业焦点

谷歌让AI芯片学会“下崽”,下一代TPU就让AI自己设计


浏览量:3542

论文登上Nature

编者按:本文来自微信公众号“量子位”(ID:QbitAI),作者:月石一,36氪经授权发布。


设计一块AI芯片有多难?


这么说吧,围棋的复杂度10360,而芯片则是102500,你感受一下……


一般来说,工程师们设计一块芯片,少则需要几周,多则好几个月。


现在,AI生产力来了!


AI自己动手,竟然用6小时就设计出一块芯片。


最近,这项谷歌的研究登上了Nature杂志。


布局时间缩短数倍

小小的一块芯片包括了数十亿个晶体管,由它们组成的数千万个逻辑门就是标准单元,此外还有数千个存储块,称为宏块。


确定它们的位置,也就是布局规划,对芯片设计至关重要。


因为这直接关系到如何布线,进而影响着芯片的处理速度和电源效率。


但是,光是放置宏块这一步就非常耗时,为了给标准单元留出更多空间,每一次迭代都需要几天或几周时间。


完成整个布局,则要花费数周甚至数月。


现在,谷歌的研究人员提出了一种具有泛化能力的芯片布局方法。


它能够基于深度强化学习,从之前的布局中进行学习,然后生成新的设计方案。整体架构是这样的:


由于AI模型需要学习10万个芯片布局,为了保证速度,研究人员设计了一种奖励机制,基于线路长度和布线拥塞的近似代价函数进行计算。


具体来说,需要将宏和标准单元映射到一个平面画布上,形成具有数百万到数十亿节点的「芯片网表」。


然后,AI模型会对功率、性能和面积(PPA) 等进行优化,并且输出概率分布。


下图分别是零样本生成和基于预训练策略微调的效果,其中每个小矩形代表一个宏块。在预训练策略中,中间留出了用于放置标准单元的空间。


与其他方法相比,谷歌的新方法大大减少了设计时间,只需不到6小时,就能实现性能优化的布局。


谷歌:效果不错,已经用上了

研究团队对不同策略下的布局效果进行了可视化展示,从图中可以看到,预训练策略微调的结果要明显优于零样本生成。


并且,从不同训练时长的效果对比可以看到,在训练2-12小时的情况下,预训练策略要优于零样本生成。


在不同规模的数据集上进行测试,研究人员发现,随着数据集规模的扩大,生成布局的质量和收敛时间的结果更优。


谷歌表示,


这一方法适用于任何类型的芯片。


目前已经被用于生产下一代Google TPU(加速器芯片)。


参考链接:


https://www.nature.com/articles/s41586-021-03544-whttps://www.nature.com/articles/d41586-021-01515-9https://ai.googleblog.com/2020/04/chip-design-with-deep-reinforcement.htmlhttps://arxiv.org/abs/2004.10746