编辑：alan

近日，面对EDA界对于自家AlphaChip的质疑，谷歌首席科学家Jeff Dean以论文回应论文，并表示：大家注意，这是同行竞争！

登上了Nature的「超人」芯片设计系统AlphaChip，却多次遭到质疑。

而且不是简单说说而已，做实验、写论文，还有一篇作为invited paper发在ISPD 2023。

AlphaFold都拿诺奖了，AlphaChip还搁这辟谣呢？

怎么办？谷歌首席科学家Jeff Dean表示：我也写篇论文！

EDA社区一直对我们的AlphaChip方法是否像Nature论文中声称的那样有效持怀疑态度。annadgoldie、Azaliamirh和我写了个论文，来回应这些问题：

Jeff Dean认为，这种毫无根据的怀疑，在很大程度上是由下面这篇文章（「一篇存在严重缺陷的未经同行评审的论文」）导致的：

该论文声称复制了我们的方法，但未能在主要方面遵循：

作者没有进行预训练（尽管在我们的Nature文章中提到了37次预训练 ），剥夺了基于学习的方法从其他芯片设计中学习的能力；

减少了20倍的计算量，并且没有进行收敛训练。

这就像评估一个以前从未见过围棋的AlphaGo，然后得出结论，AlphaGo不太擅长围棋。

Jeff Dean等人还回应了Igor Markov（Synopsys的杰出架构师）在 CACM 2024年11月刊上发表的分析文章。

Jeff Dean表示，Markov发论文时妹说自己是Synopsys的高级员工，——Synopsys是商业EDA软件，而AlphaChip是开源的。

Markov的论文分析中还引用了另一篇没发表的匿名PDF：

这实际上也是Markov写的。

Markov的文章提出了隐晦的指控，所有这些都是完全没有根据的，而且已经被Nature证明过了。

我很惊讶Synopsys想与此扯上关系，我很惊讶CACMmag认为有必要在没有证据的情况下发表这类指控，

除了两篇有缺陷的、未经同行评审的文章之外，没有任何技术数据。

谷歌的回击

话说在arxiv上吃瓜，小编还是第一次。

在Introduction部分，谷歌拉了个时间表：

2020年4月：发布Nature论文的arXiv预印本。

2020年8月：TPU v5e中流片了10个AlphaChip布局。

2021年6月：发表了Nature文章。

2021年9月：在TPU v5p中流片了15个AlphaChip布局。

2022年1月 - 2022年7月：开源了AlphaChip，Google的另一个团队独立复制了Nature论文中的结果。

2022年2月：谷歌内部独立委员会拒绝发表Markov等人的观点，因为数据不支持其主张和结论。

2022年10月：在Trillium（最新的公共TPU）中流片了25个AlphaChip布局。

2023年2月：Cheng等人在arXiv上发帖，声称对我们的方法进行了「大规模重新实现」。

2023年6月：Markov发布了他的「meta-analysis」。

2023年9月：Nature启动了第二次同行评审。

2024年3月：Google Axion处理器（基于ARM的CPU）采用了7个AlphaChip布局。

2024年4月：Nature完成了调查和出版后审查，发现完全对我们有利。

2024年9月：MediaTek高级副总裁宣布扩展AlphaChip以加速其最先进芯片的开发。

2024年11月：Markov重新发表了他的「meta-analysis」。

简单来说，我AlphaChip已经在自家服役这么长时间了，联发科也用了，Nature也调查过了，无懈可击。

而且作为不同的部门，TPU团队需要足够的信任才会使用AlphaChip（优于人类专家、高效且可靠），他们不能承担不必要的风险。

对于反方的Markov，论文评价道：「Markov的大部分批评都是这种形式：在他看来，我们的方法不应该奏效，因此它一定不起作用，任何表明相反的证据都是欺诈。」

说到欺诈这件事，正反方都谈到了内部举报人（whistle-

blower），在Markov的文章中是这样记载的：

论文的两位主要作者抱怨他们的研究中不断出现欺诈指控。2022 年，谷歌解雇了内部举报人，并拒绝批准出版谷歌研究人员撰写的一篇批评Mirhoseini等人的论文，举报人起诉谷歌不当解雇（根据加州举报人保护法）。

而本文表示：这位举报人向谷歌调查员承认，他怀疑这项研究是欺诈性的，但没有证据。

对错误论文的逐条回应

没有预先训练RL方法

与以前的方法不同，AlphaChip是一种基于学习的方法，这意味着它会随着解决更多的芯片放置问题而变得更好、更快。

这是通过预训练实现的，如下图2所示，训练数据集越大，放置新区块的方法就越好。

相反，Cheng等人根本没有进行预训练（没有训练数据），这意味着模型以前从未见过芯片，必须学习如何从头开始为每个测试用例执行布局。

作者在Nature论文中详细讨论了预训练的重要性，并实证证明了它的影响。例如下图3表明，预训练可以提高放置质量和收敛速度。

在开源的Ariane RISC-V CPU上，非预训练的RL需要48小时，才能接近预先训练模型在6小时内可以产生的值。

在Nature论文中，作者针对主数据表中的结果进行了48小时的预训练，而Cheng等人预训练了 0 小时。

「Cheng试图通过暗示我们的开源存储库不支持预训练，来为他们缺乏预训练找借口，但这是不正确的，预训练就是在多个样本上运行方法。」

使用的计算资源减少了一个数量级

在Cheng等人的论文中，RL方法提供的RL体验收集器减少了20倍（26个对比512个），GPU数量减少了一半（8个对比16个）。

使用较少的计算可能会损害性能，或者需要运行相当长的时间才能实现相同的性能。

如下图4所示，在大量GPU上进行训练可以加快收敛速度并产生更好的最终质量。

RL方法未训练到收敛

随着机器学习模型的训练，损失通常会减少，然后趋于平稳，这代表「收敛」——模型已经了解了它正在执行的任务。

众所周知，训练到收敛是机器学习的标准做法。

但如下图所示，Cheng等人没有为任何一个进行收敛训练，

下表总结了详细信息。除了没有提供图的BlackParrotNG45和Ariane-NG45，其他四个具有收敛图的块（Ariane-GF12、MemPool-NG45、BlackParrot-GF12 和 MemPool-GF12），训练在相对较低的步数（分别为 350k、250k、160k 和 250k 步）处截止。

如果遵循标准的机器学习实践，可能会提高这些测试用例的性能。

不具代表性、不可重现

在Nature论文中，作者报告的张量处理单元（TPU）块的结果来自低于7nm的技术节点，这是现代芯片的标准制程。

相比之下，Cheng等人采用了旧技术节点尺寸45nm和12nm）的结果，这从物理设计的角度来看有很大不同。

例如，在低于10nm时，通常使用multiple patterning，导致在较低密度下出现布线拥塞问题。因此，对于较旧的技术节点大小，AlphaChip可能会受益于调整其奖励函数的拥塞或密度分量。

AlphaChip的所有工作都是在7nm、5nm和更新的工艺上进行的，作者没有专注于将其应用于旧工艺制程的设计。

此外，Cheng等人也无法或不愿意分享在其主数据表中复制结果所需的综合网表。