När Google publicerar mjukvara från sin forskning brukar det väcka visst intresse.

När forskningen dessutom hedras med en publicering i tidskriften Nature så höjs det på ögonbrynen. Och när det är Googles kanske första stora intåg i EDA-världen, och med ett verktyg som är öppen källkod börjar det bli riktigt intressant.

Verktyget heter Circuit Training och använder maskininlärning för att komma fram till var transistorer bäst ska placeras i ett chip.

De mest beräkningsintensiva stegen inom chipdesign är de tätt kopplade uppgifterna place and route, alltså hur man bäst placerar ut transistorerna i ett chip och kopplar samman dem för att ta så lite plats och göra kretsen så snabb som möjligt.

Den enorma mängden transistorer på ett chip – den översteg i år 114 miljarder med Apples monsterchip M1 Ultra – gör att det är omöjligt att exakt hitta den bästa lösningen. Istället används metoder för att hitta en tillräckligt bra lösning inom en rimlig tid.

Den vanligaste metoden heter simulated annealing och efterliknar hur molekyler i materia uppför sig när den svalnar av.

En manuell placering, Googles automatiska placering och till sist en manuell placering inspirerad av Googles placering.

Karaktäristiskt för den algoritmen är att molekylerna, i det här fallet chipets transistorer, först flyttas runt mycket och sedan i mindre rörelser allteftersom den simulerade temperaturen sjunker. Ju bättre initial gissning som görs, desto snabbare kan algoritmen komma fram till ett godtagbart result.

Google har med sitt nya verktyg Circuit Training använt maskininlärning för att producera en så bra första gissning som möjligt och därmed drastiskt minskat körtiden för place and route.