谷歌DeepMind部门上周公布了优化芯片设计的AI模型，正式名称为AlphaChip。
2020年，DeepMind团队在科学期刊《自然Nature》上公布了用于设计芯片布局的增强式学习（reinforcement learning）方法，之后也在GitHub上开源。
上周该团队发表了《自然期刊》补充了说明方法及对芯片设计的影响。本周谷歌公布该模型正式名称AlphaChip。谷歌称自2020年以来已经用AlphaChip模型设计了三代自己的AI加速器TPU，这些芯片让自身可以根据谷歌Transformer架构大规模扩大AI模型。
AlphaChip在一个空白芯片上，每次铺设一组电路，直到完成所有元件，然后根据最后电路布局的质量获得反馈。新的边缘式图像神经网络让AlphaChip能够学习互联的芯片元件之间的关系，发展出泛化到其他芯片的方法，借此逐渐改善每一代布局设计。
设计TPU布局阶段，经过预训练之后，谷歌在最新TPU block上执行AlphaChip产生布局设计。由于采用了增强式学习，AlphaChip芯片布局能力越来越好，也越来越快。谷歌表示，近三代TPU，从TPU v5e、TPU v5p到第6代TPU的Trillium，AlphaChip的芯片布局品质更提升，整体布局规划贡献比例也更多，布局的块（block）由10增加为25，且减少的线长（wirelength）比例，也从3.2%提升为6.2%，证明能加速设计周期，催生更高效能的芯片。
图片来自谷歌
AlphaChip除了用于设计如TPU等专用AI加速器，也为Alphabet生成其他芯片，像是第一块通用型基于Arm的数据中心处理器的谷歌Axion Processor。使用AlphaChips设计的外部单位包括联发科，它扩展AlphaChip的设计来设计其三星手机使用的5G芯片天玑（Dimensity）系列。
现在AlphaChip涉入的芯片设计阶段也更广，现在扩及逻辑合成（logic synthesis）和宏选择（macro selection）。
为了便于开发人员试用AlphaChip，DeepMind也公布了预训练的检查点（checkpoint）作为共享资源。
