『机器之心』6 小时完成芯片布局，谷歌用强化学习助力芯片设计( 三 )

本文插图
训练数据规模vs微调后的性能。
谷歌还将自己的方法分别与模拟退火（SimulatedAnnealing ， SA）方法、当前SOTA方法RePlAce和人工基线方法进行了对比，结果如下所示：

本文插图
与SA方法相比，谷歌的方法不超过6小时即完成了收敛，而SA方法需要18个小时。并且， SA方法生成高质量布局时需要的导线长度更大，布线拥塞也更高。

本文插图
谷歌方法与当前SOTA方法RePlAce和人工基线方法的对比结果。
在此项研究工作中，研究团队始终是面向芯片布局这个核心点，此次提出基于强化学习的方法，而该方法也同时支持迁移学习，这表明强化学习的智能体会在越来越多的芯片网表中获得学习经验，从而在处理芯片布局方面变得更快更好。而新方法已经证明了优于SOTA标准，同时此方法是端到端的，并且可以在6个小时内生成布局位置。
机器之心CVPR2020线上分享第二期，我们邀请到旷视研究院基础模型组实习生、北京大学软件工程系硕士楚选耕为我们分享Oral论文《DetectioninCrowdedScenes:OneProposal,MultiplePredictions》，欢迎读者们参与报名。

本文插图
【『机器之心』6 小时完成芯片布局，谷歌用强化学习助力芯片设计】