随着如此众多的初创公司和大型半导体公司争相将新的AI芯片推向市场，Synopsys，Cadence和Mentor Graphics等电子工具和设计服务公司正在寻找新的方法来帮助设计师加快产品上市时间。具有讽刺意味的是，正在采取的方法之一是使用AI来帮助构建更好的AI芯片。设计过程的后端(称为物理设计)对于支持AI的工具尤为成熟，并且早期采用者正在实现出色的结果。对于对更多细节感兴趣的读者，请在此处查看我关于此主题的研究论文。

对于那些不熟悉芯片制造的人，请允许我提出问题。一旦确定了芯片的逻辑(可能要花费数月或数年)，物理设计过程便开始了，工程师必须确定将每块晶体管放在何处以及如何互连。此过程称为布局布线。由于现代芯片上有数十亿个晶体管，因此这种设计布局和测试通常需要数名工程师花费大约20至30周的时间才能完成。如果他们弄错了，该芯片可能会比设计的速度慢，功耗更多，成本比计划的高，并且/或者根本无法工作。但是，没有一种“正确”的布局芯片的方法。有成千上万种可能的选择，其中包括权衡芯片的三个主要设计目标：性能，功耗和面积(或PPA)。

实际上，设计团队面临着巨大的“搜索”问题：仅平面布置图探索就可以包含10种90,000种惊人的可能性。放眼来看，国际象棋比赛只有10123个州，而GO比赛包括大约10360个州。游戏类比很有用，因为现在可以通过AI软件“玩”物理设计和游戏。尽管AI可能需要大量的计算资源，但它可以通过大量难以想象的选择进行分类，以优化参数以实现一组目标，这在芯片设计的情况下是PPA的最佳组合。

通过强化学习赢得比赛

AI中有一个无监督学习的分支，称为强化学习(RL)，用于通过试错学习来解决这类游戏问题：让计算机“尝试”一个解决方案，然后通过以下方式增强该解决方案的参数：结果。它会变好还是变坏?然后重复数万亿次，直到解决方案收敛或“取胜”。

图2总结了Synopsys及其客户承担的一系列复杂芯片设计的四个项目。平均而言，这些项目完成的时间要快86%，由一个数据科学家而不是4-5个工程师组成，并且全部达到或超过了项目PPA的目标。有趣的是，由AI生产的一些设计有些违反直觉，以非常规的形状散布晶体管块，设计团队极不可能尝试。但是结果不言而喻。它们可以更快，更高效，并且可以更快地投放市场。

结论

与Synopsys的团队交谈时，我清楚地意识到，在物理设计中使用RL只是冰山一角，并且AI和机器学习可用于设计集成电路的许多常见工作流中。我还想起了NVIDIA首席执行官黄仁勋(Jensen Huang)在2016年首次发布Saturn V时的一些评论，这是NVIDIA内部基于GPU的超级计算机，当时它在全球排名前30位的超级计算机中名列前茅。黄先生然后预测，土星V将成为公司的有力竞争者，这将帮助NVIDIA设计工程师提高生产力并生产出优质的产品。看到Synopsys在RL方面的早期项目成果，我可以开始理解，为什么黄先生如此兴奋!