概述
人工智慧可以自動在微晶片上放置組件，這是一個眾所周知的難題，它決定了晶片的速度、功率和尺寸。這很重要，因為更快、更便宜的晶片設計可以滿足整個人工智慧和電子行業的需求，包括運行人工智慧本身的晶片。
晶片佈局規劃和設計中的人工智慧專注於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。
深入探討
佈局規劃決定在晶片表面上放置許多塊（記憶體、邏輯、I/O）的位置，以最大限度地減少電線長度、功耗和熱量，同時滿足時序限制。可能的排列數量比宇宙中的原子數量還多，人類工程師傳統上要花費數週的時間來調整佈局。 2021 年，Google 在《自然》雜誌上發表了一篇文章，描述了一種強化學習方法，該方法可以在數小時內生成與人造晶片相當或更好的晶片佈局圖，並用於設計 Google 的 TPU 加速器。系統將放置視為一種順序決策：放置一個區塊，觀察部分佈局，然後放置下一個。人工智慧也透過 Synopsys 和 Cadence 等公司的工具為早期和後期階段提供協助，從邏輯綜合到驗證和偵測設計規則違規。
技術洞察
Google 的方法將晶片畫布視為一塊板，並使用強化學習代理，一次放置一個宏塊，並以結合線長度、擁塞和密度的獎勵為指導。圖神經網路學習網表的嵌入、組件圖及其連接，因此該策略可以推廣到以前從未見過的晶片，傳遞學到的直覺，而不是從頭開始每個設計。
掌握晶片佈局規劃與設計中的人工智慧
人工智慧可以自動在微晶片上放置組件，這是一個眾所周知的難題，它決定了晶片的速度、功率和尺寸。這很重要，因為更快、更便宜的晶片設計可以滿足整個人工智慧和電子行業的需求，包括運行人工智慧本身的晶片。晶片佈局規劃和設計中的人工智慧專注於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。為了建立深入的理解，請將晶片佈局規劃和設計中的人工智慧視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，在晶片佈局規劃和設計中使用人工智慧的強大團隊專注於工作流程結果，而不是模型演示，並儘早定義人工檢查點。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
應用級設計決定了人工智慧是否能改善實際結果。同時，將損壞的流程自動化可能會加劇現有的問題。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
應用級設計決定了人工智慧是否能改善實際結果。
應用級設計決定了人工智慧是否能改善實際結果。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
範圍明確的用例可以減少變更疲勞和實施風險。
範圍明確的用例可以減少變更疲勞和實施風險。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
Google 使用強化學習為其 TPU AI 加速器晶片生成佈局規劃，如其 2021 年《自然》論文中所述。
Synopsys DSO.ai 可以自主搜尋設計空間，並已被三星等晶片製造商用來優化功耗和效能。
Cadence Cerebrus 應用機器學習來自動化和改進數位晶片實施流程。
人工智慧工具會標記違反設計規則的行為，並及早預測佈線擁塞，從而減少昂貴的後期重新設計。
實施模式
晶片佈局規劃和設計中的人工智慧實踐
Google 使用強化學習為其 TPU AI 加速器晶片生成佈局規劃，如其 2021 年《自然》論文中所述。
Google 使用強化學習為其 TPU AI 加速器晶片生成佈局規劃，如其 2021 年《自然》論文中所述。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
晶片佈局規劃和設計中的人工智慧實踐
Synopsys DSO.ai 可以自主搜尋設計空間，並已被三星等晶片製造商用來優化功耗和效能。
Synopsys DSO.ai 可自主搜尋設計空間，並已被三星等晶片製造商用來優化功耗和效能。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
晶片佈局規劃和設計中的人工智慧實踐
Cadence Cerebrus 應用機器學習來自動化和改進數位晶片實施流程。
Cadence Cerebrus 應用機器學習來自動化和改進數位晶片實施流程。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
晶片佈局規劃和設計中的人工智慧實踐
人工智慧工具會標記違反設計規則的行為，並及早預測佈線擁塞，從而減少昂貴的後期重新設計。
人工智慧工具會標記違反設計規則的行為並及早預測佈線擁塞，從而減少成本高昂的後期重新設計。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
將損壞的流程自動化可能會加劇現有問題。
團隊可能會過度自動化並消除所需的人工判斷。
如果不持續評估輸出，品質可能會出現偏差。
實施路線圖
繪製目前工作流程並確定摩擦最大的步驟。
繪製目前工作流程並確定摩擦最大的步驟。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在完全自動化之前定義人工檢查點。
在完全自動化之前定義人工檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
對使用者進行提示、升級路徑和品質標準的訓練。
對使用者進行提示、升級路徑和品質標準的訓練。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤任務級結果以確認持續價值。
追蹤任務級結果以確認持續價值。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。