最近，谷歌在《自然》雜誌發表了論文《面向快速晶片設計的圖布局方法》（A graph placement methodology for fast chip design），該論文中公布了谷歌在人工智慧驅動晶片設計方面的最新結果。
在該論文中，谷歌使用了強化學習的方法來實現高質量自動晶片floorplan。谷歌對於強化學習技術的使用已經是得心應手，之前在圍棋領域一鳴驚人擊敗世界冠軍李世石的人工智慧也是使用了強化學習技術。事實上，晶片布局和圍棋有很強的相似之處，基本都是在一個很大的自由空間裡面需要搜索到一個最優解，來實現回報函數的最大化（例如在晶片布局領域的回報函數就是擁擠度、布局密度和走線長度的一個綜合函數）。在論文中，該算法實現自動floorplan的具體方法如下：
電路設計給出floorplan中的所有宏單元(macro)的信息，包括面積、接口位置等
強化學習算法一次擺放一個宏單元的位置，直到完成所有宏單元的floorplan擺放
在人工智慧完成floorplan後，運行基於傳統算法的標準單元布局算法，並且獲得擁擠度、布局密度和走線長度等信息。
如果這次運行是訓練，則根據擁擠度、布局密度和走線長度的綜合結果更新強化學習模型
在訓練和使用該算法的過程中，谷歌使用了人工智慧領域常用的預訓練-微調（pretrain-finetune）的方法。在預訓練階段，將該模型在包含有5-20個TPU模塊的訓練數據集上進行訓練，而微調任務則是在目標晶片做floorplan時進行多次疊代，以將預訓練的模型適配到目標任務上。
根據谷歌公布的結果，經過預訓練的模型在執行目標晶片的floorplan時，可以在6小時內完成floorplan，而其floorplan結果在時序、面積、功耗等關鍵指標上都與專業物理設計工程師手工floorplan的結果接近或更好。
AI會取代晶片工程師嗎？
強化學習是否會在晶片後端領域取代工程師？我們認為，雖然谷歌公布的結果非常優秀，但是AI可預期的未來尚不足以替代人工，工程師也不必擔心事業。
首先，目前強化學習做floorplan能覆蓋的晶片種類仍然不得而知。谷歌的論文中使用的訓練數據集和測試數據集規模都很小（最大的也僅有20種晶片布局），而且訓練和測試數據集中涉及到的晶片種類也很有限，是否能在其他種類的晶片布局中也獲得超越工程師手工的效果還不得而知。而晶片類的數據集事實上很難採集，因此如何採集更大的數據集以訓練更強，更普適的模型將成為強化學習方法進步過程中最關鍵的瓶頸，這個瓶頸如果不解決那麼基於強化學習的EDA流程將會停留在學術階段或者僅僅是谷歌用來秀人工智慧肌肉的一個案例。
此外，即使未來基於強化學習的數字電路EDA流程得到長足發展，工程師仍然是流程中的關鍵。一個核心的觀察是，即使把整個流程全部交給AI，還是需要一組經驗豐富的工程師來看管整個過程，否則沒人能擔保AI輸出是否是最優結果；事實上基於AI的晶片EDA工具更可能是將人機合作加速整個晶片設計流程，而非取代人工。一個最有可能的人機協作的方式是工程師根據經驗預估晶片後端流程的結果，並且將AI的流程結果與人工估計的結果相比較，以確保AI跑流程的結果是合理的。如果強化學習能加速晶片設計流程的話，它將會降低晶片設計流程的疊代周期和成本，並降低晶片設計的門檻，這反而可能使得晶片行業更繁榮，讓行業對晶片工程師的需求更大。正如目前的晶片設計流程中，大多數環節都已經自動化（例如設計綜合，物理綜合等），但是這樣的自動化並沒有砸了晶片後端設計師的飯碗，反而是讓整個晶片行業比起自動化之前更加繁榮了，也讓人才需求量更大。因此，我們認為AI驅動的EDA將會成為工程師的朋友，而不必擔心讓工程師下崗的問題。
強化學習會給EDA業界帶來的變革
雖然我們預期強化學習正式進入EDA業界尚需時日，但是鑑於它會給整個業界帶來較大的變革，我們認為從現在開始就應該積極關心這個領域的發展。
首先，如我們之前所敘述的，基於人工智慧的EDA一個很大的要素就是數據，只有收集到了足夠的數據才能訓練性能足夠強，普適性足夠好的人工智慧模型。從這一點來說，各個晶片廠商的晶片設計數據就不僅僅對他們自身有用，而對於EDA公司也有了更高的價值。
除了數據之外，我們認為人工智慧模型在未來的EDA領域中會得到越來越多應用，同時也越來越複雜，這就牽扯到了一個算力問題。在谷歌的論文中，即使是使用已經經過預訓練的模型，在使用在目標設計中時，還需要跑6個多小時的微調才能實現良好的效果。隨著未來模型越來越複雜，而目標晶片設計也越來越大，我們預期所需要的模型算力也會越來越大。對於如谷歌這樣的大公司來說或許不缺算力，但是對於小公司來說我們預計會有越來越多的EDA+雲的服務出現，即在雲上跑EDA流程中的人工智慧模型以滿足算力需求，這也就催生了EDA商業模式的更新乃至新的商機，例如EDA工具的彈性許可模式（EDA-as-a-service），甚至可以根據不同的付費等級提供不同的人工智慧模型。
綜上所述，以強化學習為代表的下一代基於人工智慧的EDA將會給EDA領域帶來重大的變革。最主要的就是EDA將從算法驅動變換到數據和算力驅動，因此是否能掌握數據和算力將會成為關鍵。
