登Nature两年，谷歌「AI 6小时设计集成电路」遭打脸？大神Jeff Dean论文被官方调查

（1）运用以零售天体物理学催化工具箱的初始放到讯息都会如何阻碍CT结果

（2）CT的准确度

（3）CT平板体的开发设计成本与零售EDA工具箱的「真实上述情况」输出之间的全面性性

（4）更弱曲率半径手抄本中的研究者的ICCADO4检测用例的性能指标

总的来说，UCSD的团队辨认出，CT和Nature文中解释有几个显著的不反之亦然之处。

CT假定重定向netlist中的的所有实例都有(x,y)一段距离，也就是说，netlist在重定向到CT在此之前，就之前被放到了。

CT的第一组、条带化和聚类处理过程，都运用以了一段距离讯息。

力应运而生放到

然而，这些讯息在review中的极为相对来说，在Nature文中中的也没被提及。

同样，解释CT的两个决定性「黑盒子」要素——弱制定向放到和平板体开发设计成本计算，也都没有人在Nature文中中的明确记事，也在CT中的也不可见。

这些示例推选了理解和重从新借助工具箱所需的，这些工具箱迄今为止只能通过某些API可见。

冗余开发设计成本计算

NG45中的Ariane的CT军事训练曲线，由UCSD的团队和腾讯技工转化

除了这篇文中外，UCSD的团队还有一个更概要的工程建设官网，全面记事了他们针对腾讯这篇Nature文中的研究者。

工程建设IP：

归纳来说，共有十八个「心灵拷打」。

全面性联：从新智元

对此，腾讯和斯坦福建立联系的团队的合作一作注意到了一份更为详尽的通告：

「我们认为，这篇都只在ISPD上出版的特邀文中，对我们的实习展开了错误的概要描述。」

通告IP：

首先，介绍一些重要背景：

文中明确指出的RL工具箱之前用在了多代腾讯旗舰AI加速缓冲器（TPU）的生产上（都是最更进一步一代）。也就是说，基于该工具箱转化的中央处理缓冲器，之前被生产商了出来，并悄悄腾讯样本中的心运行。

亚10固态的检验程度，不算多于了基本上所有文中的准确度。

ML转化的配置必须相对来说要弱腾讯技工转化的配置（即跃升人类所准确度），否则不值得冒险。

Nature展开了近十年7个年初的理应评审，其中的，审稿人都是2名天体物理学外观设计医学专家和1名弱化自学医学专家。

TF-Agents的团队独立复现了Nature文中的结果。

全面性联：X（Twitter）

的团队于2022年1年初18日自由软件了code。

截至2023年3年初18日，已是100多个fork和500多颗星。

开发设计并自由软件这个相对优化的分布式RL框架是一个极大的工程，其应用范围之前多于了中央处理缓冲器配置，甚至电子外观设计备用化科技领域（EDA）。

值得注意的是，在零售EDA科技领域，自由软件工程建设code的做法极为常见。

在的团队的工具箱公开发同上此后，有很多基于其实习的文中在ML和EDA都开会上出版，此外，英伟达（NVIDIA）、从新思科技（Synopsys）、Cadence和三星等公司也纷纷年初，自己在中央处理缓冲器外观设计中的运用以了弱化自学。

全面性联：X（Twitter）

接着，是针对ISPD文中技术开发全面性的辩解：

ISPD文中并没有人为「电路军事训练」（Circuit Training，CT）展开任何亦同军事训练，这意味着RL平板体每次看到一个更进一步中央处理缓冲器时常都会被重置。

基于自学的工具箱如果从没见过中央处理缓冲器，自学短时间当然都会更长，性能指标也都会更差！

的团队则在此之后对20个块展开了亦同军事训练，然后才检验了同上1中的的检测个案。

ISPD文中

军事训练CT的计算资源不算少于Nature文中中的所用到的（GPU数量增加一倍，RL环境减少一个数量级）。

ISPD文中除此以外的平面图同上同上明，CT没有人受益正确的军事训练，RL平板体还在自学时就被中的断了。

在出版Nature文中时，RePlAce是最先进的。此外，即使忽视上述所有上述情况，的团队的工具箱不管是在之前还是在今日，同上现都比它更优异。

虽然这项研究者篇名是「对基于弱化自学的祥配置的自学检验」，但它并没有人与任何基于该实习的RL工具箱展开比起，甚至都没有人声称这些工具箱。

ISPD文中将CT与AutoDMP（ISPD 2023）和CMP的简介从新版本（一款黑盒子闭源零售工具箱）展开了比起。当的团队在2020年出版文中时，这两种工具箱都还没有人问世。

ISPD文中的要点是运用以天体物理学催化的初始一段距离来聚类标准单元，但这与实际上述情况比如说。

天体物理学催化必须在运行任何放到工具箱在此之前可执行。这是中央处理缓冲器外观设计的标准做法，这也反映在ISPD文中的平面图2中的。

全面性联：ISPD文中

作为亦同处理处理过程，的团队都会多次重复运用以天体物理学催化的输出来对标准单元展开聚类。必须解释的是，的团队的工具箱没有人放到标准单元，因为在此之前的工具箱（如DREAMPlace）之前不错地对它们展开了处理。

在每个RL惨剧中的，的团队常都会向RL平板提供者一个没放到祥（寄存器组件）和没放到的标准单元簇（逻辑门），然后RL平板体都会将这些祥逐一放到到印出画笔上。

九个年初前，的团队在自由软件存储库中的记事了这些或许，并提供者了可执行此亦同处理处理过程的API。然而，这与文中中的的实验结果或论据没有人任何彼此间。

最终，的团队透露，现有的工具箱极为完美，并且肯定都会普遍存在精准度很好的上述情况。

但这只是一个开始，基于自学的中央处理缓冲器外观设计工具箱必将对硬件和机缓冲器自学本身造成了深远的阻碍。

来到Nature的这篇短文，2021年，由Jeff DeanGabriel的腾讯大脑的团队以及斯坦福大学的科学家们透露：

「一种基于厚度弱化自学（DL）的中央处理缓冲器配置规画工具箱，都能转化可取的中央处理缓冲器外观设计方案。」

Jeff Dean

为了军事训练AI干活儿，腾讯研究者员可真小花了不少心里。

与叠成一些游戏，如象棋或围棋，的提高效率都是，中央处理缓冲器配置上述情况更为十分复杂。

全面性联：腾讯

在不到6不间断的短时间内，腾讯研究者其他部门能用「基于厚度弱化自学的中央处理缓冲器配置规画工具箱」转化中央处理缓冲器平面平面图，且所有决定性基准（都是耗电、性能指标和中央处理缓冲器国土面积等匹配）都要弱或与人类所医学专家的外观设计平面图精准度更为。

要知道，我们人类所技工往往必须「数年初的帮助」才能达到如此精准度。

全面性联：Nature

人类所外观设计的微中央处理缓冲器平面平面图与机缓冲器自学该系统外观设计

在文中中的，腾讯研究者其他部门将中央处理缓冲器配置规画工具箱当做一个「自学上述情况」。

潜在上述情况外观设计高维contextual bandits problem，融合腾讯此前的研究者，研究者其他部门极为必须将其重从新制定为一个顺序马雅科夫执行者处理过程（MDP），这样就能更容易都有请注意几个譬如说：

（1）精神状态区块关于部分放到的讯息，都是netlist（邻接矩阵）、端口有所不同之处（跨度、相对、各种类型）、边缘有所不同之处（相连数）、当前端口（祥）以及netlist平面图的元样本（路由分配、线数、祥和标准单元簇）。

（2）姿势是所有可能的一段距离(中央处理缓冲器画笔的条带单元) ，当前祥可以放到在不有违任何硬拘束的密度或冗余。

（3）给定一个精神状态和一个姿势，「精神状态匹配」概念下一个精神状态的概率分布。

（4）加分：除最终一个姿势外，所有姿势的加分为0，其中的加分是平板体线长、冗余和密度的但球队基准。

研究者其他部门军事训练了一个由神经该系统网络仿真的方式则而（RL平板体），通过多次重复的惨剧（精神状态、姿势和加分的顺序），学都会采取将「累积加分最大化」的姿势。

然后，研究者其他部门运用以邻近方式则而优化（PPO）来更从新方式则而网络的匹配，给定每个放到的累积加分。

全面性联：腾讯

研究者其他部门将期望函数概念如下:

全面性联：腾讯

如前解释，针对中央处理缓冲器配置规画上述情况开发设计科技领域种该系统方式则而具原创性，因为这个上述情况类似于一个具备有所不同的牌、叠成和赢状况的举例来说，并且具备极大的精神状态姿势内部空间。

为了解决上述情况这个挑战，研究者其他部门首先集中的自学精神状态内部空间的丰富透露。

腾讯研究者其他部门透露，我们的直觉是，都能处理中央处理缓冲器放到的一般勤务的方式则而也一定会都能在侦探小说时将与更进一步没见中央处理缓冲器全面性的精神状态区块为有含意的回波。

因此，研究者其他部门军事训练了一个「神经该系统网络管理模式」，都能亦同测更进一步netlist一段距离的加分，最终期望是运用以这个管理模式作为方式则而的区块层。

全面性联：腾讯

为了军事训练这个有监理的假定，就必须一个大型的中央处理缓冲器放到样本集以及都可的加分决定性字。

因此，研究者其他部门创设了一个都有10000个中央处理缓冲器一段距离的样本集，其中的重定向是与给定一段距离全面性联的精神状态，决定性字是该一段距离的加分。

为了准确地亦同测加分决定性字并将其推广到没知样本，研究者其他部门明确指出了一种基于边的平面图神经该系统网络在结构上，称之为Edge-GNN（Edge-Based Graph Neural Network）。

在Edge-GNN中的，研究者其他部门通过相连每个端口的有所不同之处（都是端口各种类型、跨度、相对、x和y坐标以及它与其他端口的当该系统）来创设每个端口的初始透露。

然后再行递归可执行请注意更从新：

（1）每个边通过应用一个完全相连的网络相连它相连的两个端口更从新其透露；

（2）每个端口通过传递所有的超过进出边到另一个完全相连的网络更从新其透露。

全面性联：腾讯

Edge-GNN的作用是填充netlist，提取有关端口各种类型和当该系统的讯息到一个低维线性透露，可用以中下游勤务。

基于边的神经该系统在结构上对普遍化的阻碍

研究者其他部门首先极为必须了5个有所不同的中央处理缓冲器清净网同上，并用AI迭代为每个网同上创设2000个有所不同的配置一段距离。

该该系统小花了48个不间断在「英伟达Volta芯片」和10个CPU上「亦同军事训练」，每个CPU都有2GB的RAM。

左边，方式则而悄悄才对军事训练，右边，一个亦同军事训练的方式则而悄悄为这个中央处理缓冲器展开微调。每个正方形推选一个实际上的祥放到

在一项检测中的，研究者其他部门将他们的该系统建议与手动曲率半径——腾讯TPU天体物理学外观设计的团队创设的上一代TPU中央处理缓冲器外观设计——展开比起。

结果同上明，该系统和人类所医学专家除此以外转化符合短时间和阻碍要求的可取一段距离，而AI该系统在国土面积、功率和断开较宽全面性要弱或媲美手动配置，同时满足外观设计标准所需的短时间要少得多。

但今日，这篇曾引起整个EDA和IC外观设计从新社区的轰动的文中，如今在被Nature重从新核查，不知在此之后都会如何发展。

其所：