AlphaChip

AlphaChip是由Google DeepMind開發的一款用於晶片布局設計的AI系統。該系統基於深度強化學習技術，將晶片布局規劃視為一種遊戲，通過一種新穎的“基於邊緣”的圖神經網路學習晶片組件間的關係。它能在數小時內生成在功耗、性能和面積上超越或比肩人類專家水平的晶片布局，大幅縮短了傳統需數周甚至數月的設計周期。AlphaChip已成功套用於多代谷歌TPU（如v5e、v5p及Trillium）以及Axion處理器等晶片的設計，並被聯發科等外部公司採用以加速其先進晶片開發。它的出現標誌著AI在晶片設計領域的實質性套用，並激發了該方向的研究熱潮。

發布歷程

2018年，Google Brain的“登月計畫”項目開始探索利用AI進行晶片設計。2020年，谷歌以預印本論文《Chip Placement with Deep Reinforcement Learning》首次提出了用於設計晶片布局的新型強化學習方法。2021年，這項研究正式發表於《Nature》期刊並進行了開源。2023年，在ISPD 2023會議上，有論文對AlphaChip的性能提出了質疑。谷歌隨後發文回應，指出質疑者未進行預訓練、使用的計算資源少且未訓練到收斂，並重申AlphaChip完全開源。2024年，谷歌DeepMind在《Nature》附錄中詳細介紹了該方法，並將其正式命名為“AlphaChip”，同時開源了基於20個TPU模組預訓練的模型檢查點。2025年，AlphaChip設計方法已成功套用於包括為推理時代打造的Ironwood在內的連續多代TPU設計中。

技術原理

AlphaChip基於深度強化學習原理，它將晶片布局規劃視為一種序列決策遊戲。其核心是一種新穎的“基於邊緣”的圖神經網路，用以學習互連晶片組件之間的關係。AlphaChip的工作流程從一個空白格線開始，系統依次放置電路元件，直至完成所有元件布局，系統根據最終布局的質量獲得獎勵信號，布局質量通常以功率、性能和面積等指標衡量。

AlphaChip具備預訓練能力，首先在大量歷史晶片模組上進行訓練以學習通用經驗，隨後針對特定新設計進行微調，從而提升設計速度與質量。該方法具有泛化能力，其學習到的經驗可套用於不同類型晶片的設計。

套用與效果

AlphaChip是首批用於解決實際工程問題的強化學習方法之一。AlphaChip可在數小時內生成超越人類或與人類專家水平相當的晶片布局，而傳統人工方法通常需要數周甚至數月。其生成的布局在功耗、性能、面積等關鍵指標上達到或超越人類專家水平。

在谷歌內部的套用

AlphaChip已用於設計多代谷歌張量處理單元（TPU），包括TPU v5e、TPU v5p、第六代Trillium晶片以及最新的Ironwood TPU。隨著疊代，AlphaChip參與設計的模組數量從TPU v5e的10個增加到Trillium的25個，並有效減少了布線長度，例如在Trillium中布線長度減少6.2%。此外，AlphaChip也被用於設計谷歌Axion數據中心CPU等晶片。

外部公司的套用

AlphaChip已被外部晶片設計公司採用。例如，聯發科利用AlphaChip加速其最先進晶片的開發，如用於三星手機的Dimensity旗艦5G晶片，並最佳化了晶片的功耗、性能和面積。

對晶片設計流程的影響

AlphaChip將晶片布局設計時間從傳統“人月”級別縮短到“小時”級別，顯著加快了設計周期。AlphaChip激發了AI在晶片設計其他階段的研究熱潮，例如邏輯綜合和宏選擇。

發展前景

谷歌方面認為，AlphaChip有潛力最佳化晶片設計周期的每一個階段，從計算機架構到製造的各個環節。基於AlphaChip的研究已激發AI在晶片設計其他關鍵階段（如邏輯綜合、宏塊選擇、時序最佳化）的套用熱潮。

其長期目標是實現晶片設計全流程的自動化，通過硬體、軟體和機器學習模型的端到端協同最佳化，從而設計出更快、更小、更節能的晶片。AlphaChip的未來版本正在開發中。

AlphaChip的核心設計者Anna Goldie和Azalia Mirhoseini基於此技術創立了初創公司。