終結者不會出現在芯片設計者面前
谷歌主導的一篇聲稱機器學習軟件可以比人類更快地設計出更好芯片的重要研究論文受到質疑在一項新研究對其結果提出異議之後。
2021 年 6 月，Google 因開發一種基於強化學習的系統能夠自動生成優化的微芯片佈局規劃而成為頭條新聞。這些計劃決定了芯片內電子電路塊的排列方式:CPU 和 GPU 內核以及內存和外圍控制器等實際位於物理矽片上的位置。
這家搜索引擎公司表示，它使用 AI 軟件設計了自己的 TPU 芯片，可以加速 AI 工作負載。基本上，這意味著它正在使用機器學習來使其其他機器學習系統運行得更快。
創建平面圖很痛苦，因為它們涉及大量手動工作和使用芯片設計應用程序的自動化。谷歌認為它的強化學習方法會產生比人類工程師使用行業工具做出的設計更好的設計
想像一下當谷歌宣布它可以生產出優於或可與人類生產的芯片佈局規劃時的喘息在所有關鍵指標中，僅用了六個小時。
但是，谷歌聲稱其優於人類模型的說法受到了加州大學聖地亞哥分校 (UCSD) 的一個團隊的質疑。
頂級科學家 Andrew Kahng 花了幾個月的時間對谷歌在《自然》雜誌上描述的佈局規劃管道進行逆向工程。這家網絡巨頭以商業敏感性為由隱瞞了其模型內部運作的一些細節，因此 UCSD 不得不弄清楚如何製作完整版本以驗證 Google 員工的發現。
最終他們創建了 Google 代碼，在他們的研究中被稱為循環訓練 (CT)，但發現它比使用傳統行業方法和工具的人類表現更差。
UCSD 團隊了解到 Google 使用了 Synopsys 開發的商業軟件，Synopsys 是主要的製造商電子設計自動化 (EDA) 套件，以創建芯片邏輯門的起始排列，然後網絡巨頭的強化學習系統對其進行優化。
擁有初始佈局信息可以顯著提高 CT 結果。
谷歌論文確實提到在模型生成佈局後使用行業標準軟件工具和手動調整，主要是為了確保處理器能夠按預期工作並最終完成製造。谷歌辯稱，無論平面圖是由機器學習算法還是人類使用標準工具創建的，這都是必要的，並且其模型值得稱讚優化的最終產品。
但 UCSD 指出沒有提及在 EDA 工具的 Nature 論文中，預先使用該工具為模型準備佈局。 Synopsys 工具可能擁有如此領先的模型，以至於人工智能係統的真實能力受到質疑。
一些研究人員現在要求《自然》雜誌根據新研究審查原始論文。
谷歌論文的主要作者 Azalia Mirhoseini 和 Anna Goldie 表示，UCSD 團隊的工作可以更準確地實施他們的方法。他們指出，Kahng 教授的小組獲得了更差的結果，因為他們根本沒有在任何數據上預訓練他們的模型。
然而，UCSD 小組表示他們沒有預訓練他們的模型，因為他們需要訪問谷歌神奇的專有數據。然而，他們聲稱，另外兩名工程師已經在谷歌驗證了他們的軟件，他們被列為自然論文的合著者。 Kahng 教授將在今年的物理設計國際研討會上介紹他的團隊的研究。