英國《自然》雜志9日發表一項人工智能突破性成就，美國科學家團隊報告機器學習工具已可以極大地加速計算機芯片設計。研究顯示，該方法能給出可行的芯片設計，且芯片性能不亞于人類工程師的設計，而整個設計過程只要幾個小時，而不是幾個月，這為今后的每一代計算機芯片設計節省數千小時的人力。這種方法已經被谷歌用來設計下一代人工智能計算機系統。

不同元件在計算機芯片上的布局，是決定芯片整體性能的關鍵。設計計算機芯片的物理布局既復雜又耗時，難度非常大，需要專業人類設計工程師付出大量工作。而盡管已為此進行多年的嘗試，芯片布局規劃一直都無法實現自動化，需要設計工程師們花費數月的努力才能生產可供規模制造的布局。

在位于美國加州的谷歌研究院內，人工智能專家阿澤利亞·米爾侯賽尼、安娜·戈迪耶及其同事最新的研究表明，機器學習工具已經可以用來加速這一名為“布局規劃”的流程。

研究團隊將芯片布局規劃設計成一個強化學習問題，并開發了一種能給出可行芯片設計的神經網絡。他們訓練了一個強化學習智能體，讓這個智能體把布局規劃看作一種棋盤游戲：元件是“棋子”，放置元件的畫布是“棋盤”，“獲勝結果”則是根據一系列評估指標評出的最優性能(評估基于一個包含1萬例芯片布局的參考數據集)。

研究人員指出，這種方法能在6小時內設計出與人類專家不相上下或是更好的可行芯片布局，有望為今后的每一代計算機芯片設計節省數千小時的人力。

美國加州大學圣迭戈分校科學家安德魯·康在一篇同時發表的新聞與觀點文章中寫道，“開發出比當前方法更好、更快、更省錢的自動化芯片設計方法，有助于延續芯片技術的‘摩爾定律’”。這里的摩爾定律，是指每塊芯片的元件數量大約每兩年會翻一番。

安德魯·康同時表示，在這一研究中，團隊展示的布局規劃方案已經被用來設計谷歌的下一代AI處理器，這也顯示出其設計質量可用于大規模生產。

總編輯圈點

在不到6小時的時間里，一個深度學習強化方法，可以自動生成芯片設計的所有關鍵指標，包括功耗、性能和芯片面積，且給出的布局圖都優于或可與人類設計的芯片布局圖相比肩。這無疑是人工智能助力人類實現更好、更快、更強目標的范例。有意思的是，這個人工智能現在又被拿去設計下一代人工智能，這讓我們看到一種共生關系——更強大的人工智能設計硬件，正在推動人工智能的進步。

關鍵詞： 神經網絡 芯片設計 自然雜志 人工智能