Google DeepMind部门上周公布优化晶片设计的AI模型，正名为AlphaChip。
2020年DeepMind团队在科学期刊《自然Nature》上公布用以设计晶片布局的增强式学习（reinforcement learning）方法，之后也将之在GitHub上开源。上周该团队发表了《自然期刊》补遗，补充说明方法及对晶片设计的影响。Google本周公布该模型正式名称AlphaChip。Google说，自2020年来，该公司已经用AlphaChip模型设计了3代自己的AI加速器TPU，这些晶片让该公司可以根据Google Transformer架构大规模扩大AI模型。
AlphaChip在一个空白晶片上，每次舖设一组电路，直到完成所有元件，然后根据最后电路布局的品质获取回馈。新的边缘式图像神经网路让AlphaChip得以学习互联的晶片元件之间关系，发展出泛化到其他晶片的方法，借此逐渐改善每一代布局设计。
设计TPU布局阶段，经过预训练之后，Google在最新TPU block上执行AlphaChip产生布局设计。由于运用增强式学习，AlphaChip晶片布局能力愈来愈好也愈快，和人类一样。Google说，近三代TPU，从TPU v5e、TPU v5p到第6代TPU的Trillium，AlphaChip的晶片布局品质更提升，整体布局规划贡献比例也更多，布局的区块（block）由10增加为25，且减少的线长（wirelength）比例，也从3.2%提升为6.2%，证明能加速设计周期，催生更高效能的晶片。
AlphaChip除了用于设计如TPU等专用AI加速器，也为Alphabet生成了其他晶片，像是第一块通用型Arm-based资料中心处理器的Google Axion Processor。使用AlphaChips设计的外部单位则包括联发科，它扩展AlphaChip的设计来设计其三星手机使用的5G晶片天玑（Dimensity）系列。
现在AlphaChip涉入的晶片设计阶段也更广，现在扩及逻辑合成（logic synthesis）和巨集选择（macro selection）。
为了方便开发人员试用AlphaChip，DeepMind也公布预训练的检查点（checkpoint）作为共享资源。