Google DeepMind部門上週 公佈 優化晶片設計的AI模型，正名為AlphaChip。

2020年DeepMind團隊在科學期刊《自然Nature》上 公佈 用以設計晶片佈局的增強式學習（reinforcement learning）方法，之後也將之在GitHub上 開源 。上週該團隊發表了《自然期刊》補遺，補充説明方法及對晶片設計的影響。Google本週公佈該模型正式名稱AlphaChip。Google説，自2020年來，該公司已經用AlphaChip模型設計了3代自己的AI加速器TPU，這些晶片讓該公司可以根據Google Transformer架構大規模擴大AI模型。

AlphaChip在一個空白晶片上，每次舖設一組電路，直到完成所有元件，然後根據最後電路佈局的品質獲取回饋。新的邊緣式圖像神經網路讓AlphaChip得以學習互聯的晶片元件之間關係，發展出泛化到其他晶片的方法，藉此逐漸改善每一代佈局設計。

設計TPU佈局階段，經過預訓練之後，Google在最新TPU block上執行AlphaChip產生布局設計。由於運用增強式學習，AlphaChip晶片佈局能力愈來愈好也愈快，和人類一樣。Google説，近三代TPU，從TPU v5e、TPU v5p到第6代TPU的Trillium，AlphaChip的晶片佈局品質更提升，整體佈局規劃貢獻比例也更多，佈局的區塊（block）由10增加為25，且減少的線長（wirelength）比例，也從3.2%提升為6.2%，證明能加速設計週期，催生更高效能的晶片。

圖片來源／Google

AlphaChip除了用於設計如TPU等專用AI加速器，也為Alphabet生成了其他晶片，像是第一塊通用型Arm-based資料中心處理器的Google Axion Processor。使用AlphaChips設計的外部單位則包括聯發科，它擴展AlphaChip的設計來設計其三星手機使用的5G晶片天璣（Dimensity）系列。

現在AlphaChip涉入的晶片設計階段也更廣，現在擴及邏輯合成（logic synthesis）和巨集選擇（macro selection）。

為了方便開發人員試用AlphaChip，DeepMind也 公佈 預訓練的檢查點（checkpoint）作為共享資源。