- 2020년에 칩 레이아웃을 설계하기 위한 새로운 강화 학습 방법을 소개하는 preprint를 발표함
- 이 방법은 나중에 Nature에 게재되었고 오픈 소스로 제공됨
- 오늘 우리는 이 방법과 칩 설계 분야에 미친 영향에 대해 자세히 설명하는 Nature addendum을 발표함
- 또한 사전 훈련된 체크포인트를 공개하고 모델 가중치를 공유하며 AlphaChip이라는 이름을 발표함
- 컴퓨터 칩은 인공지능(AI)의 놀라운 발전을 이끌었고, AlphaChip은 AI를 활용하여 칩 설계를 가속화하고 최적화함
- 이 방법은 Google의 맞춤형 AI 가속기인 Tensor Processing Unit(TPU)의 최근 3세대에서 초인적인 칩 레이아웃을 설계하는 데 사용됨
- AlphaChip은 실제 엔지니어링 문제를 해결하는 데 사용된 최초의 강화 학습 접근 방식 중 하나임
- 수주 또는 수개월의 인력 투입 대신 몇 시간 만에 초인적이거나 비슷한 수준의 칩 레이아웃을 생성하며, 이러한 레이아웃은 전 세계의 데이터 센터부터 모바일 폰까지 다양한 칩에 사용됨
AlphaChip의 작동 방식
- 칩 레이아웃을 설계하는 것은 간단한 작업이 아님
- 컴퓨터 칩은 많은 상호 연결된 블록으로 구성되어 있으며, 회로 구성 요소의 계층과 매우 얇은 와이어로 모두 연결되어 있음
- 또한 동시에 충족해야 하는 복잡하고 얽혀있는 많은 설계 제약 조건이 있음
- 그 복잡성 때문에 칩 설계자들은 60년 넘게 칩 플로어플래닝 프로세스를 자동화하는 데 어려움을 겪어 왔음
- AlphaGo와 AlphaZero와 유사하게, 우리는 AlphaChip이 칩 플로어플래닝을 일종의 게임으로 접근하도록 구축함
- 빈 그리드에서 시작하여 AlphaChip은 한 번에 하나의 회로 구성 요소를 배치하고, 모든 구성 요소 배치를 완료할 때까지 이를 반복함
- 그런 다음 최종 레이아웃의 품질에 따라 보상을 받음
- 새로운 "에지 기반" 그래프 신경망을 통해 AlphaChip은 상호 연결된 칩 구성 요소 간의 관계를 학습하고 칩 전반에 걸쳐 일반화할 수 있어, 설계하는 각 레이아웃마다 향상될 수 있음
AI를 사용하여 Google의 AI 가속기 칩 설계하기
- AlphaChip은 2020년 발표 이후 Google의 TPU 모든 세대에 사용되는 초인적인 칩 레이아웃을 생성해 왔음
- 이러한 칩은 Google의 Transformer 아키텍처를 기반으로 대규모 AI 모델을 가능하게 함
- TPU는 Gemini와 같은 대규모 언어 모델부터 Imagen 및 Veo와 같은 이미지 및 비디오 생성기에 이르는 강력한 생성 AI 시스템의 핵심에 있음
- 이러한 AI 가속기는 Google의 AI 서비스의 핵심이기도 하며 Google Cloud를 통해 외부 사용자에게 제공됨
- TPU 레이아웃을 설계하기 위해 AlphaChip은 먼저 온칩 및 칩 간 네트워크 블록, 메모리 컨트롤러 및 데이터 전송 버퍼와 같은 이전 세대의 다양한 칩 블록에서 연습함 (이를 사전 훈련이라고 함)
- 그런 다음 현재 TPU 블록에서 AlphaChip을 실행하여 고품질 레이아웃을 생성함
- 이전 접근 방식과 달리 AlphaChip은 인간 전문가와 유사하게 더 많은 칩 배치 작업 인스턴스를 해결할수록 더 나아지고 빨라짐
- AlphaChip은 최신 Trillium(6세대)를 포함한 각 새로운 TPU 세대마다 더 나은 칩 레이아웃을 설계하고 전체 플로어플랜의 더 많은 부분을 제공하여 설계 주기를 가속화하고 더 높은 성능의 칩을 생산해 왔음
AlphaChip의 광범위한 영향
- Alphabet, 연구 커뮤니티 및 칩 설계 업계 전반에 걸친 애플리케이션을 통해 AlphaChip의 영향을 볼 수 있음
- TPU와 같은 특수 AI 가속기 설계를 넘어 AlphaChip은 Google의 첫 번째 Arm 기반 범용 데이터 센터 CPU인 Axion 프로세서와 같은 Alphabet 전반의 다른 칩에 대한 레이아웃을 생성해 왔음
- 외부 조직에서도 AlphaChip을 채택하고 이를 기반으로 구축하고 있음 (예: 세계 최고의 칩 설계 회사 중 하나인 MediaTek은 삼성 휴대폰에 사용되는 Dimensity Flagship 5G와 같은 가장 진보된 칩의 개발을 가속화하면서 전력, 성능 및 칩 면적을 개선하기 위해 AlphaChip을 확장함)
- AlphaChip은 칩 설계를 위한 AI 작업의 폭발을 촉발했으며, 논리 합성 및 매크로 선택과 같은 칩 설계의 다른 중요한 단계로 확장되었음
미래의 칩 만들기
- 우리는 AlphaChip이 컴퓨터 아키텍처에서 제조에 이르기까지 칩 설계 주기의 모든 단계를 최적화할 잠재력이 있다고 믿음
- 스마트폰, 의료 장비, 농업 센서 등 일상 기기에서 발견되는 맞춤형 하드웨어의 칩 설계를 혁신할 수 있음
- AlphaChip의 향후 버전은 현재 개발 중이며, 우리는 이 분야를 계속 혁신하고 칩이 더 빠르고 저렴하며 전력 효율적인 미래를 만들기 위해 커뮤니티와 협력하기를 기대함
GN⁺의 의견
- AlphaChip의 AI 기반 접근 방식은 칩 설계 분야에 혁명을 일으키고 있음. 특히 칩 레이아웃 설계 프로세스를 자동화하는 데 큰 진전을 이루었음
- AlphaChip은 실제 엔지니어링 문제에 강화 학습을 적용한 초기 사례 중 하나이며, 이는 AI가 실제 세계에서 어떻게 활용될 수 있는지 보여주는 좋은 예임
- AlphaChip이 TPU 설계에 미친 영향은 AI 가속기 하드웨어 발전에 있어 중요한 이정표가 될 것임. 더 나은 AI 가속기는 더 강력한 AI 모델을 가능하게 할 것이고, 이는 다시 AI 발전을 더욱 가속화할 것임
- 그러나 AI 설계 도구에 대한 과도한 의존은 인간 설계자의 전문 지식 상실로 이어질 수 있음. 장기적으로는 AI와 인간 전문가의 협업이 가장 바람직할 것임
- 유사한 AI 기반 설계 도구로는 Cadence의 Cerebus, Synopsys의 DSO.ai 등이 있음. 앞으로 AI 기반 설계 자동화 도구 간 경쟁이 치열해질 것으로 보임