چیدمان طراحی تراشه یا طراحی بلاکهای اصلی پردازنده معمولا طولانی‌ترین و پرزحمت‌ترین مرحله توسعه تراشه به شمار می‌رود. در سال‌های اخیر، شرکت‌های بزرگی مانند Synopsys ابزارهای طراحی تراشه را به کمک هوش مصنوعی توسعه داده‌اند که این روند را تسریع و طراحی بلاکهای اصلی پردازنده را بهینه می‌کند. با این حال، این دست ابزارها بسیار گران قیمت هستند و حال گوگل در پی آن است که رویکرد طراحی تراشه با کمک هوش مصنوعی را تا حدودی دسترس‌پذیرتر سازد.
AlphaChip چگونه کار می‌کند؟
AlphaChip از یک مدل یادگیری تقویت‌شده استفاده می‌کند که در آن، اقداماتی در محیط از پیش تعیین‌شده صورت می‌گیرد و پس از جمع‌آوری نتایج، از تجربیات این آزمایش‌ها برای انتخاب‌های بهتر در آینده استفاده می‌شود. در واقع سیستم در AlphaChip طراحی بلاکهای اصلی پردازنده را به عنوان نوعی بازی می‌بیند و در هر نوبت جزئی از مدار را در یک شبکه خالی قرار می‌دهد. این سیستم با حل کردن تعداد بیشتری از این معماهای طراحی و با تکیه بر شبکه‌های عصبی گراف برای درک روابط بین اجزاء مختلف، عملکرد خود را بهبود می‌بخشد.
در حال حاضر طراحی یک تراشه پیچیده مانند واحد پردازش گرافیکی یا GPU توسط انسان مستلزم صرف زمانی حدود 24 ماه خواهد بود. طراحی بلاکهای پردازنده با پیچیدگی کمتر نیز دست کم چندین ماه زمان می‌برد و میلیون‌ها دلار هزینه در پی خواهد داشت. گوگل مدعی است که AlphaChip این زمان‌بندی را کوتاه‌تر کرده و قادر است چیدمان تراشه را در عرض چند ساعت ایجاد کند. علاوه بر این، گفته می‌شود که طرح‌های تولیدی توسط این ابزار از نظر راندمان و عملکرد در حالت بهینه هستند و تراشه‌های باکیفیتی در این فرایند توسعه می‌یابد. گوگل همچنین نموداری را عرضه کرده که نشانگر کاهش طول سیم‌کشی بُرد در نسخه‌های مختلف واحد پردازش تنسور (TPU) و پلتفرم تریلیوم (Trillium) در مقایسه با توسعه‌دهندگان انسانی است.
پروژه تحقیقاتی AlphaChip از سال 2020 میلادی برای طراحی شتاب‌دهنده‌های هوش مصنوعی واحد پردازش تنسور (TPU) به کار گرفته شده است که بسیاری از مدل‌های هوش مصنوعی و سرویس‌های ابری گوگل را در مقیاس بزرگ هدایت می‌کنند. این پردازنده‌ها مدل‌های مبنی بر معماری شبکه عصبی Transformer را اجرا می‌کنند که مدل هوش مصنوعی Gemini و راهکار Imagen گوگل از جمله فناوری‌های مبتنی بر آنها به شمار می‌روند. AlphaChip طراحی هر نسل متوالی از واحد پردازش تنسور (TPU)، از جمله جدیدترین تراشه‌های نسل ششم Trillium را بهبود بخشیده و از عملکرد بالاتر و توسعه سریع‌تر آنها پشتیبانی کرده است. با این حال، هنوز گوگل برای مجموعه محدودی از بلاک‌ها به AlphaChip متکی است و توسعه‌دهندگان انسانی همچنان بخش عمده‌ای از کار را بر عهده دارند.
همان طور که اشاره شد، AlphaChip تاکنون برای توسعه پردازنده‌های مختلفی از جمله واحد پردازش تنسور گوگل و تراشه‌های نسل پنجمی Dimensity مدیاتک استفاده شده که در حال حاضر در گوشی‌های هوشمند متنوعی به کار می‌روند. از این رو می‌توان نتیجه گرفت که AlphaChip قادر است انواع مختلف پردازنده‌ها را طراحی کند و به گفته گوگل روی طیف گسترده‌ای از بلاکهای تراشه از پیش آموزش دیده است. این مسأله AlphaChip را قادر می‌سازد تا با اجرای طرح‌های بیشتر، الگوهای کارآمدتری تولید کند. ذکر این نکته نیز خالی از لطف نیست که روند یادگیری ماشین به مراتب از کسب تجربه و آموزش در میان متخصصان انسانی سریع‌تر است.
جالب آن که پس از معرفی عمومی AlphaChip برخی منابع با استناد به گفته گوگل مبنی بر به‌کارگیری این پلتفرم در آن دسته از تراشه‌های نسل پنجمی Dimensity که در گوشی‌های سامسونگ مورد استفاده قرار گرفته، به این نتیجه رسیده‌اند که اسمارت‌فون‌های Galaxy S25 و +Galaxy S25 که مطابق روند سال‌های گذشته در ژانویه 2025 معرفی می‌شوند، به تراشه Dimensity 9400 مدیاتک مجهز خواهند بود که با استفاده از AlphaChip طراحی شده است. از آنجا که شرکت کره‌ای تاکنون هیچ یک از گوشی‌های پرچمدار خود را با تراشه‌های سری 9000 مدیاتک عرضه نکرده، می‌توان انتظار داشت که در ساخت محصولات آینده سامسونگ از چیپ‌ست‌های پیشرفته سری 9000 استفاده شود و محصولات اشاره‌شده از سوی گوگل احتمالا همان گوشی‌های Galaxy S25 و +Galaxy S25 باشند.
آینده AlphaChip از نگاه گوگل
از نگاه گوگل، AlphaChip به صورت بالقوه می‌تواند کل چرخه حیات تراشه‌ها از مرحله طراحی معماری تا تولید نهایی را دگرگون سازد. مطابق اعلام این شرکت، رویکردهای مبتنی بر هوش مصنوعی می‌توانند به تولید تراشه‌های سریع‌تر، کوچک‌تر، ارزان‌تر و با مصرف انرژی کمتر بیانجامند. به گفته ابرشرکت آمریکایی موفقیت AlphaChip الهام‌بخش موجی از پژوهش‌های جدید برای استفاده از هوش مصنوعی در مراحل مختلف طراحی تراشه شده است. این رویکرد مواردی همچون گسترش تکنیک‌های هوش مصنوعی در حوزه‌هایی مانند ترکیب منطقی (logic synthesis)، انتخاب ماکرو (macro selection) و بهینه‌سازی زمانی را شامل می‌شود؛ فرایندهایی که توسط رقبایی مانند Synopsys و Cadence نیز ارائه می‌شود، اما مستلزم صرف هزینه بسیار بالاست. گوگل اعلام کرده است که محققان در حال بررسی چگونگی گسترش رویکرد AlphaChip برای دیگر مراحل توسعه تراشه‌ها هستند. به علاوه، نسخه‌های جدیدتری از AlphaChip هم‌اکنون در دست توسعه است و می‌توان نمونه‌های بهتر و کاربردهای گسترده‌تری را برای این پلتفرم در آینده انتظار داشت.
source