Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

AI自动设计的芯片诞生了,不输工程师

创天科技、清华大学、西安电子科技大学和杭州电子科技大学刚刚联合发布的一篇论文,提出了一种新的神经网络架构,让AI在不声不响间,又掌握了新的技能:设计微波集成电路。

这个全新的神经网络架构名叫“关系归纳神经网络”,能够总结和归纳微波集成电路内在的电磁规律,自己学会设计和调试,结果显示,AI设计的集成电路性能完全可以媲美最好的人类设计师。

我国的集成电路产业在国家的大力扶持下经历了高速的发展,但与世界先进水平还有着差距,从2013年至今我国每年集成电路的进口额超过了石油,成为第一大宗进口商品。欧美各国为巩固其优势地位,尤其为了削弱我国在新一代电子信息技术、半导体集成电路领域的快速发展的能力,不约而同的采取措施,力求最大限度的制约我国研发或生产高端芯片及元器件。

同时,美国为了保证自己在芯片产业的核心地位,2018年7月,美国首次“电子复兴计划”峰会(ERI Summit)在旧金山拉开帷幕。由美国国防部高级研究计划局DARPA组织。这次大会上,美国的电子复兴五年计划,选出了第一批入围扶持项目:电子装置的智能设计(IDE Automation)。IDEA旨在创建一个“无需人工参与”(no human in the loop)的芯片布局规划(layout)生成器,让没什么专业知识的用户也能在一天内完成硬件设计。而DARPA的愿景,是最终让机器取代人类进行芯片设计。

现在高水准的集成电路AI已经在中国出现了。

集成电路AI难在哪里?

在最新披露的论文里,创天科技表示虽然AlphaGo已经是AI里程碑,但下围棋与现实世界相比,仍然是一个非常简单的问题。

更复杂的问题是微波集成电路,微波集成电路是在电路板上采用特定的工艺制造大量高精度微米纳米级的电路,电路之间存在复杂的电磁效应,微观下的微小的扰动往往会带来宏观特性的巨大差异。围棋的动作空间约为10^250。集成电路的状态空间超过10^10000。

微波集成电路(MWIC)的自动化设计一直以来都被视为人工智能的一个基本挑战,因为它的解空间和结构复杂度都比围棋要大的多。在这里,我们开发了一种新型的人工智能体(称为关系归纳神经网络),它可以实现微波集成电路的自动化设计,避免暴力计算每一个可能的解决方案,这是电子领域的一个重大突破。通过对微波传输线电路、滤波电路和天线电路设计任务的实验,分别得出了具有较强竞争力的结果。与传统的强化学习方法相比,该学习曲线表明,该人工智能体能够快速收敛到符合要求的集成电路模型,敛速度可达4个数量级。这项研究首次展示了一个智能体在没有任何人类先验知识的情况下,通过训练或学习,自动归纳微波集成电路内部结构之间的关系。值得注意的是,智能体自行归纳和总结的规律在电路的结构原理和电磁场原理等方面是可解释的。。我们的工作跨越了人工智能和集成电路之间的鸿沟,未来可以扩展到机械波、力学和其他相关领域。

来看看AI是怎么设计集成电路的

微波集成电路是人类工程师的智力劳动,是智慧、经验和直觉碰撞出的火花。对于工程师来说,利用计算机辅助设计工具发现问题、解决问题进而寻找最优解决方案,这个过程是及其繁琐枯燥的,更重要的是受限于人类生理结构,即使焦头烂额地使忙于各种方案分析、设计、优化也没办法达到最优解决方案。如何使人类工程师彻底摆脱这项繁琐的优化设计工作是一项非常有意义的挑战。

目前,研究者都是人为抽象出电路的参数,再基于机器学习技术优化这些参数。但是这样的方法存在两个问题:首先人为抽象的参数是一项耗时、费力的工作,且抽象出的参数还有可能不够准确,掩盖电路的一些重要特征;其次,使用人为抽象的参数进行优化会大大限制机器的想象力和探索空间,最终得到的结果往往很难超越人类的水平。

近年来,人工智能在数据挖掘、计算机视觉、自然语言处理等多个应用领域取得了成功。作为AI的一个子领域,基于深度神经网络强化学习技术已逐渐从单纯的学术研究转向应用,如经典视频游戏、棋盘游戏、机器翻译和药物设计。然而,人工智能与集成电路设计领域的结合仍然是一个空白。由于集成电路结构复杂,求解空间大,需要大量的数据来学习设计决策过程,传统的强化学习算法难以收敛。因此,我们设计了一个称为关系归纳神经网络的架构,它可以快速有效地学习集成电路内部数据之间的规律,从而达到设计任意复杂集成电路的目的。更具体地说,集成电路形状被定义为一组参数化网格,当每个网格发生变化时,由标准的CAE软件包(如ADS或ANSYS EM)计算出结果,然后,使用聚类算法对这些结果的变化进行分类,最后交由强化学习神经网络进行决策。

集成电路AI背后的算法

AI学会设计集成电路,靠的是什么手段?答案是,一个基于聚类和异步的优势行动者评论家算法模型。

图 1 | 关系归纳神经网络架构. a, 聚类算法的数据集,即网格模型的S参数变化矩阵。B,聚类算法。C、网格化的模型和S参数矩阵训练深度强化学习模型。d,以c为输入,以动作的概率向量π和价值标量v为输出的深度强化学习模型。

基于关系归纳神经网络的微波集成电路模型设计框架如图1所示,其包含两部分:聚类算法(图1b)和强化学习神经网络模型(图1d)。在本框架中,聚类算法用来对网格化的集成电路的设计动作进行划分,即对集成电路的多个设计动作聚成几个典型的动作类,类似于经验丰富的集成电路模型设计师对模型的参数化设置;强化学习模型(采用A3C算法)基于聚类算法划分的典型动作簇作为策略网络输出的动作类别,预测当前集成电路模型的设计动作,然后再由价值网络评估该设计动作的好坏,以找出最优策略,从而达到自动设计微波集成电路的技术功效。

最后看下

人类的设计和AI的设计有何区别吧!

通过对人类工程师设计的集成电路模型与AI设计的集成电路模型的对比(见图2),可以看出人类工程师设计的集成电路是规则的,其参数数量是有限的。AI设计的电路是不规则的,参数多,自由度高,形状更趋近于自然形成。实际上,AI能够学习抽象出影响电路性能的关键参数,并掌握各种各样的设计任务。因此,AI仅接收网格化电路模型和S参数矩阵作为其输入就能够达到与专业工程师相当的水平。

图2人类设计的集成电路与AI设计的集成电路

论文

论文题目:

Microwave Integrated Circuits Design with Relational Induction Neural Network

地址:

https://arxiv.org/abs/1901.02069

https://nature-research-under-consideration.nature.com/users/37265-nature-communications/posts/43195-microwave-integrated-circuits-design-with-relational-induction-neural-network

作者:

  • Jie Liu , Zhi-Xi Chen, Jia Shi , Hong-Liang Teng , 来自石家庄创天电子科技有限公司

  • Wen-Hui Dong , Xiao Wang , Stephen S.-T. Yau, Ping-Fa Feng 来自清华大学

  • Chang-Hong Liang来自西安电子科技大学

  • Xi-Wang Dai来自杭州电子科技大学

第一作者Liu Jie是创天科技AI实验室的研究员并且是人工智能算法设计与开发技术负责人。

Stephen S.-T. Yau先生是国际著名的数学家,Chang-Hong Liang教授是国内著名的教育家。

半导体行业观察
半导体行业观察

最有深度的半导体新媒体,实时、专业、原创、深度,30万半导体精英关注!专注观察全球半导体最新资讯、技术前沿、发展趋势。

产业集成电路AI芯片神经网络机器学习
1
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

学习曲线技术

在机器学习领域,学习曲线通常是表现学习准确率随着训练次数/时长/数据量的增长而变化的曲线

收敛技术

在数学,计算机科学和逻辑学中,收敛指的是不同的变换序列在有限的时间内达到一个结论(变换终止),并且得出的结论是独立于达到它的路径(他们是融合的)。 通俗来说,收敛通常是指在训练期间达到的一种状态,即经过一定次数的迭代之后,训练损失和验证损失在每次迭代中的变化都非常小或根本没有变化。也就是说,如果采用当前数据进行额外的训练将无法改进模型,模型即达到收敛状态。在深度学习中,损失值有时会在最终下降之前的多次迭代中保持不变或几乎保持不变,暂时形成收敛的假象。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

先验知识技术

先验(apriori ;也译作 先天)在拉丁文中指“来自先前的东西”,或稍稍引申指“在经验之前”。近代西方传统中,认为先验指无需经验或先于经验获得的知识。先验知识不依赖于经验,比如,数学式子2+2=4;恒真命题“所有的单身汉一定没有结婚”;以及来自纯粹理性的推断“本体论证明”

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~