芯片设计的一个新趋势，不再像摩尔定律所规定的那样，每18个月就将晶体管数量增加一倍的更大、更宏伟的设计。相反，人们对专门用于人工智能和机器学习等特定任务的芯片越来越感兴趣，这些芯片的发展速度以周或月为单位。

但芯片的设计时间要比这长得多，这意味着新微处理器的设计速度不足以反映当前的想法。“如今的芯片需要多年设计，留给我们的是一项投机性任务：从现在开始，为两到五年的机器学习模型进行优化，”阿扎利亚·米霍塞尼(Azalia Mirhoseini)、安娜·戈尔迪(Anna Goldie)和谷歌的同事们哀叹道。他们提出了一种加速这一过程的新颖方法。

他们的新方法是利用人工智能本身来加速芯片设计的过程。结果令人惊讶。他们的机器学习算法可以在6个小时内完成人类芯片设计者需要几周才能完成的任务，即使是使用现代芯片设计软件。其影响是深远的。“我们相信，正是人工智能本身将提供缩短芯片设计周期的手段，在硬件和人工智能之间创造一种共生关系，推动彼此的进步，”Mirhoseini、Goldie和同事们说。

微芯片设计是一个复杂而漫长的过程。它首先由人类设计师设定芯片的基本要求:它的大小、功能、如何测试，等等。之后，团队为数据流经芯片的方式和必须在芯片上执行的逻辑操作制定了一个抽象的设计。

抽象但非常复杂的逻辑门网络，逻辑门与特定已知函数（称为宏）的结合被称为“网络列表”。将抽象的网络列表变成物理设计，在芯片二维表面上放置组件。然而，这一过程必须以尽量减少芯片使用的功率并确保设计可制成品的方式进行。

这并非易事。降低功率的一种方法是减少连接所有组件的电线的长度。事实上，设计师们用“无线长度”来代表他们的设计将会有多耗电。但是，即使是计算一个特定芯片设计的无线长度和其他性能指标，在计算上也是非常困难和昂贵的。

一旦知道了无线长度，问题就来了：它是否可以变短，如何变短。寻找这个最短的距离在形式上等同于旅行推销员问题，对于这个问题没有已知的快速解决方案。但芯片设计者多年来已经学会了一些经验法则。因此，谷歌的研究人员所问的问题是，机器是否有可能学习这些规则，然后以更快的方式应用这些规则。

第一步是创建一个可以将所有组件放入可用区域的算法。谷歌团队为他们的算法编写了两个步骤。在第一步中，算法将宏放在芯片上。这些电路具有已知的功能，通常占用特定大小的矩形空间。程序简单地按大小排序，然后把最大的放在表面上。

下一步更加困难。标准逻辑门比宏要小，它们共同形成了一个网络，团队将其建模为一组由spring连接的节点。节点之间相互吸引，减少了它们之间的无线距离。然后，该算法将这个杂乱的栅极网络放置在芯片表面的宏之间的剩余空间中。然后，他们让它“放松”，这样弹簧就会把节点拉到一起，降低了无线强度。

然后，必须根据它的无线长度和其他需要避免的因素来评估这一点，以实现良好的芯片设计，例如拥塞，这是一种衡量有多少电线通过相同的窄缝的方法。然后系统再次启动以创建新的设计，等等。

通过这种方式，该团队建立了一个有10,000件芯片设计的数据库，以及它们的线束、拥塞水平等。接下来，他们利用这个数据库来训练机器学习算法来预测给定设计的线数、拥塞水平等等。然后，它进一步学习如何微调设计，使之更好。

这些设计和人类所能做到的一样好，甚至更好。该算法甚至还学习了人类专业设计师通过直觉早就知道的经验法则。例如，机器将更大的宏分布在芯片的边缘，留下一个空的中心区域给更复杂的标准逻辑门网络。对于人类来说，这直观地减少了无线长度。

其机器学习算法能够在大约六小时内将庞大的复杂网络链表转化为优化的物理芯片设计。相比之下，传统的芯片设计需要数周时间，这种设计已经高度自动化，但需要人参与。

这是一项有趣的工作,可以大大缩短生产专用芯片的周期时间.因此，这可能对人工智能和其他专门计算任务的未来产生重大影响。