Hispanopedia Wiki
Articulo de referencia

AlphaChip

AlphaChip es un método de aprendizaje profundo por refuerzo para la planificación automatizada de la disposición de chips . Fue desarrollado en Google y ahora forma parte de la ...

Hispanopedia WikiContenido en espanolLectura gratuita

AlphaChip es un método de aprendizaje profundo por refuerzo para la planificación automatizada de la disposición de chips . Fue desarrollado en Google y ahora forma parte de la oferta de la empresa derivada Ricursive . Las ideas básicas se presentaron en un artículo de 2021, que describe un enfoque para la colocación de macros, una etapa de la planificación de la disposición de chips . Se basa en el aprendizaje por refuerzo (RL), un método de aprendizaje automático en el que un sistema mejora iterativamente sus decisiones optimizando las señales de recompensa basadas en el rendimiento. [ 1 ]

Las afirmaciones del artículo de 2021 han generado una considerable controversia .

Fondo

Plano de la CPU con bloques estructurales indicados por contornos amarillos. Dentro de los bloques, se aprecian macros de distintos tamaños y la lógica de interconexión entre ellos. Las memorias SRAM representan algunas de las macros más grandes.

El diseño de chips para circuitos integrados modernos es un proceso complejo, dirigido por expertos, que se basa en la automatización del diseño electrónico (EDA). Determina el costo y el rendimiento del chip final y, por lo general, tarda semanas o meses en completarse. Los avances que producen mejores diseños o completan el proceso más rápidamente tienen una gran importancia comercial y académica. [ 2 ] [ 3 ] [ 1 ]

La colocación de macros , el paso realizado por AlphaChip, es la parte del diseño del chip que determina la ubicación de los componentes de circuito grandes (macros). [ 4 ] [ 5 ] El número de macros por circuito suele oscilar entre varios y miles. [ 4 ]

Una evaluación completa de la calidad de una colocación propuesta es lenta. El cableado debe realizarse después de la colocación e influye considerablemente en la potencia, el rendimiento y el área (PPA) del chip finalizado. Un cálculo completo del cableado es demasiado lento para su uso al investigar cambios en la colocación, por lo que las herramientas de colocación suelen utilizar un coste proxy , una función objetivo simplificada que guía el algoritmo de colocación durante el entrenamiento y la evaluación. [ 1 ] La fidelidad del coste proxy elegido al coste objetivo final es un aspecto crítico del rendimiento del colocador. [ 6 ] [ 7 ] [ 8 ]

Artículo de Nature de 2021

En 2021, Nature publicó un artículo titulado “Una metodología de colocación de grafos para el diseño rápido de chips”, escrito en coautoría por 21 investigadores afiliados a Google. El artículo informó que un agente de RL podía generar colocaciones de macros para circuitos integrados “en menos de seis horas” y lograr mejoras con respecto a los diseños diseñados por humanos en potencia, rendimiento de temporización y área (PPA), métricas estándar de calidad de chips que se refieren respectivamente al consumo de energía, la velocidad de operación del chip y la huella de silicio (evaluada después del enrutamiento de cables). [ 1 ] Introdujo un algoritmo de colocación de macros secuencial en el que las macros se colocan una a la vez en lugar de optimizar sus ubicaciones simultáneamente. En cada paso, el algoritmo selecciona una ubicación para una sola macro en un lienzo de chip discretizado, condicionando su decisión a las colocaciones de las macros colocadas previamente. Esta formulación secuencial convierte la colocación de macros en un proceso de decisión de largo horizonte en el que las primeras elecciones de colocación restringen las posteriores. Después de la colocación de macros, se aplica la colocación dirigida por fuerza para colocar celdas estándar conectadas a las macros. El aprendizaje por refuerzo profundo se utiliza para entrenar una red de políticas para colocar macros maximizando una recompensa que refleja la calidad de la colocación final (por ejemplo, longitud del cable y congestión). El aprendizaje de políticas ocurre durante el autoaprendizaje para uno o varios diseños de circuitos. Las optimizaciones de colocación adicionales refinan el diseño general equilibrando las restricciones de longitud del cable, densidad y superposición, al tiempo que tratan las ubicaciones de macros producidas por la política de RL como obstáculos fijos. El enfoque se basa en el preentrenamiento , en el que el modelo de RL se entrena primero en un corpus de diseños previos (veinte en el artículo de Nature ) para aprender patrones de colocación generales antes de ser ajustado en un chip específico. [ 9 ]

Los ejemplos de circuitos utilizados en el estudio eran partes de diseños de TPU patentados de Google, denominados bloques (o particiones de la distribución física ). El artículo presentó resultados sobre cinco bloques y describió el enfoque como generalizable a diferentes diseños de chips.

Controversia

La controversia de AlphaChip se refiere a una serie de disputas públicas, académicas y legales en torno al artículo de Nature de 2021. [ 10 ]

La principal cuestión técnica es si se ha demostrado suficientemente que las nuevas técnicas son mejores que las existentes. Existen pocas comparaciones directas y verificables públicamente, y tanto los estudios internos de Google como los intentos externos de replicar el algoritmo no han logrado demostrar los beneficios prometidos. A partir de 2026Ni Google ni Ricursive han publicado resultados de la ejecución de su algoritmo en conjuntos de datos de referencia públicos modernos. Esta falta de comparaciones públicas y explícitas ha generado un considerable escepticismo sobre las afirmaciones del artículo. Además, la incapacidad de otros (tanto dentro como fuera de Google) para replicar los resultados presentados ha suscitado dudas sobre la metodología, la reproducibilidad y la integridad científica del artículo .

Conflicto interno en Google

En 2022, Satrajit Chatterjee, un ingeniero de Google que participó en la revisión del trabajo de AlphaChip , expresó sus inquietudes internamente y redactó un análisis alternativo, Stronger Baselines . Una copia filtrada de este manuscrito inédito [ 11 ] argumenta que los métodos establecidos superan al enfoque de aprendizaje por refuerzo en una comparación justa. En marzo de 2022, Google se negó a publicar este análisis y rescindió el contrato laboral de Chatterjee. [ 2 ] [ 3 ]

Chatterjee presentó una demanda por despido improcedente , alegando que las declaraciones relacionadas con la investigación de AlphaChip implicaban fraude y mala conducta científica . [ 12 ] Según documentos judiciales, el estudio de Chatterjee se llevó a cabo "en el contexto de un gran acuerdo potencial con Google Cloud". Señaló que "habría sido poco ético implicar que teníamos tecnología revolucionaria cuando nuestras pruebas demostraban lo contrario" y afirmó que Google estaba reteniendo deliberadamente información material. [ 13 ] [ 2 ] Además, el comité que revisó su artículo y desaprobó su publicación estaba supuestamente presidido por subordinados de Jeff Dean , coautor principal del artículo de Nature . [ 13 ] : 30 [ 13 ] La posterior moción de Google para desestimar la demanda fue denegada, sosteniendo que Chatterjee había alegado de manera plausible represalias por negarse a participar en una conducta que creía que violaría la ley estatal o federal. [ 14 ] [ 12 ]

Crítica externa

Evaluación y replicación

El artículo de Nature describió la reducción del tiempo del proceso de diseño como un paso de "días o semanas" a "horas", pero no proporcionó desgloses de tiempo por diseño ni especificó el número de ingenieros, su nivel de experiencia, ni las herramientas y el flujo de trabajo de referencia con los que se realizó esta comparación. Tampoco quedó claro si la referencia de "días o semanas" incluía el tiempo dedicado a otras tareas, como cambios en el diseño funcional. El artículo también evaluó el método con menos puntos de referencia (cinco) de lo habitual en el campo, y mostró resultados mixtos en función de los diferentes objetivos de evaluación [ 15 ] [ 16 ].

Aunque se describió que el enfoque mejoraba el área del circuito, los críticos argumentan que la optimización RL no alteró el área total del circuito, ya que solo ajustó las ubicaciones de los componentes del circuito de forma fija y no superpuestos dentro de un límite de diseño rectangular fijo. [ 6 ] [ 15 ] [ 16 ]

Debido a que la colocación macro es en gran medida geométrica y sus algoritmos fundamentales no están vinculados a un nodo de proceso específico, los enfoques competitivos pueden evaluarse en puntos de referencia públicos (pruebas) en diferentes tecnologías, en lugar de principalmente en diseños internos propietarios. [ 3 ] [ 17 ] [ 16 ] [ 18 ] Este es el procedimiento estándar al comparar colocadores académicos. [ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ] Por el contrario, Google inicialmente informó resultados en diseños internos propietarios y, desde entonces, solo ha comparado directamente con un colocador externo (DreamPlace), [ 24 ] de entre muchos colocadores competidores, y solo en ejemplos más antiguos. A partir de 2026Ni Google ni Ricursive han ofrecido comparaciones directas con métodos anteriores en puntos de referencia más realistas y modernos. [ 17 ] [ 18 ]

Investigadores de la Universidad de California, San Diego (UC San Diego), liderados por los profesores Chung-Kuan Cheng y Andrew B. Kahng, han reimplementado el algoritmo AlphaChip, trabajando a partir de la descripción en el artículo y el código fuente publicado. En 2023, colocaron una amplia variedad de diseños de dominio público utilizando cinco colocadores diferentes: su réplica de AlphaChip, recocido simulado clásico (como se describe en Stronger Baselines ), un colocador académico líder (RePlace), un colocador comercial (CMP de Cadence) y colocación humana. [ 6 ] En estos resultados, el algoritmo AlphaChip no superó a las técnicas existentes. AlphaChip planteó numerosas objeciones a esta comparación, [ 7 ] y Kahng et al. respondieron a su vez. [ a ] ​​Después de tomar en cuenta las objeciones, rehicieron las colocaciones, las enrutaron completamente (para evitar cualquier dependencia de objetivos proxy) y midieron la longitud del cable resultante. [ 15 ] Una parte de sus extensas comparaciones se muestra aquí; [ b ] En ningún caso la réplica de AlphaChip dio una longitud de cable más corta que el colocador comercial existente.

Concluyen que el enfoque de aprendizaje por refuerzo descrito en la publicación de Nature no superó de forma consistente a los métodos de colocación establecidos y, por lo general, requirió un esfuerzo computacional significativamente mayor. [ 15 ]

Las críticas adicionales señalaron que el límite de tiempo de ejecución de seis horas por ejemplo de circuito no tenía en cuenta el preentrenamiento . En los experimentos descritos, las políticas de RL se entrenaron en veinte bloques de circuitos y luego se evaluaron en cinco bloques adicionales, pero el tiempo de ejecución informado solo reflejó la fase de evaluación. [ 1 ] [ 15 ] [ 16 ] La evaluación informada en el artículo se basó en recursos informáticos mayores que los utilizados por otras herramientas. [ 16 ]

A partir de 2022, varios investigadores y comentaristas pidieron resultados sobre puntos de referencia disponibles públicamente para resolver la disputa mediante verificación y comparación independientes. [ 2 ] [ 3 ] [ 17 ] [ 25 ] No se han reportado replicaciones independientes positivas de los resultados de Nature en la literatura revisada por pares tres [ 16 ] y cuatro [ 15 ] años después de su publicación.

A partir de 2026Ninguna de las empresas comerciales con productos de la competencia ha adoptado el enfoque de AlphaChip. En una declaración de 2026, Thomas Andersen, vicepresidente de IA y aprendizaje automático en Synopsys , afirma: "En los algoritmos centrales de EDA, se han realizado intentos con el aprendizaje por refuerzo para encontrar mejores soluciones, pero eso no ha dado resultado". [ 26 ]

Preocupaciones sobre la integridad de la investigación

En octubre de 2024, dieciséis preocupaciones metodológicas se agruparon en categorías y se enumeraron como "dudas iniciales" en una crítica detallada realizada por el investigador de diseño de chips y ex profesor de la Universidad de Michigan, Igor L. Markov , en Communications of the ACM , [ 16 ] a partir de una preimpresión de arXiv de 2023. [ 8 ] La crítica describió múltiples prácticas de investigación cuestionables en la evaluación de AlphaChip , particularmente en torno a la presentación selectiva de puntos de referencia y resultados (selección sesgada), el uso selectivo de métricas y la elección selectiva de líneas base. A partir de 2026Este documento fue precedido por una "EXPRESIÓN DE PREOCUPACIÓN" de la ACM: "Se está llevando a cabo una investigación sobre el contenido y la transparencia de la divulgación de este artículo".

acciones editoriales de Nature

En abril de 2022, el archivo de revisión por pares del artículo de Nature se incluyó como un archivo de información complementaria. [ 27 ]

En septiembre de 2023, Nature añadió una nota del editor a "Una metodología de colocación de grafos para el diseño rápido de chips" en la que se indicaba que las afirmaciones sobre el rendimiento del artículo habían sido cuestionadas y que los editores estaban investigando las inquietudes. El 21 de septiembre de 2023, el artículo de Andrew B. Kahng en la sección de Noticias y Opiniones que lo acompañaba fue retractado; el aviso de retractación indicaba que, tras la publicación, se había difundido nueva información sobre los métodos utilizados en el artículo de Google, lo que había modificado la evaluación del autor, y también señalaba que Nature estaba llevando a cabo una investigación independiente sobre las afirmaciones de rendimiento del artículo. A finales de septiembre de 2024, la nota del editor fue eliminada sin explicación, [ 28 ] [ 16 ] pero Nature publicó un apéndice al artículo original (fechado el 26 de septiembre de 2024). El apéndice introdujo el nombre AlphaChip para la técnica de aprendizaje por refuerzo propuesta y describió detalles metodológicos que los críticos habían señalado previamente como faltantes, incluido el uso de inicial(incógnita,y){\displaystyle (x,y)}ubicaciones. [ 29 ] El apéndice abordó algunos detalles metodológicos, pero aún carecía de los insumos completos de capacitación y evaluación necesarios para la replicación independiente. [ 16 ] [ 18 ]

Respuestas de los autores

Las autoras principales Azalia Mirhoseini y Anna Goldie rechazaron las acusaciones internas de fraude o graves fallos metodológicos, describiendo las quejas del denunciante Satrajit Chatterjee como una "campaña de desinformación". [ 30 ] Los portavoces de Google afirmaron que el método había sido examinado, publicado como código abierto, replicado de forma independiente e implementado "en todo el mundo". [ 25 ] Los académicos respondieron que las replicaciones independientes no habían mostrado el resultado afirmado, y el uso de AlphaChip en producción no prueba su superioridad sobre los métodos anteriores. [ 15 ] [ 16 ] Los investigadores de Google también argumentaron que los críticos omitieron el preentrenamiento y utilizaron una capacidad de cómputo insuficiente. En respuesta, los académicos señalaron que la publicación del código de Google [ 31 ] no incluía soporte para el preentrenamiento, los ejemplos utilizados para el preentrenamiento no estaban disponibles públicamente, y la capacidad de cómputo utilizada en el intento de replicación era igual a los niveles informados en el artículo. Goldie, Mirhoseini y Dean respondieron al artículo de CACM con una carta al editor, describiendo su metaanálisis como "una repetición de argumentos no publicados y no revisados ​​por pares" y que contenía "acusaciones de fraude apenas veladas que Nature ya había considerado infundadas ". [ 32 ]

En diciembre de 2024, el editor jefe de ACM , James Larus , invitó públicamente a Jeff Dean y sus coautores a enviar su respuesta técnica a las críticas para su revisión por pares. [ 33 ]

Véase también

Notas

  1. ↑ Objeciones de Google a la comparación de 2023: (a) No se utilizó preentrenamiento. (b) Se utilizaron recursos de computación de un orden de magnitud menores. (c) No se entrenó hasta la convergencia. (d) Se evaluó en puntos de referencia no representativos. (e) Se reimplementó el algoritmo en lugar de utilizar el código publicado. Respuestas de UCSD de 2025: (a) Se agregó entrenamiento de acuerdo con la especificación. (b) Se agregaron recursos adicionales y suficientes (como se especifica en el artículo de Nature). (c) Algunos casos aún no convergen a pesar de que se permite duplicar las iteraciones. (d) Se eliminaron los casos de prueba que utilizan tecnología más antigua. (e) Se utiliza el código proporcionado por Google para las iteraciones finales.
  2. ↑ Cuando se probaron varias variantes de AlphaChip, solo se muestra el mejor resultado. Los resultados se redondearon a tres dígitos y se omitieron los órdenes de magnitud. El mejor resultado está en negrita .

Referencias

  1. 1 2 3 4 5 Mirhoseini, Azalia; Goldie, Anna; Yazgan, Mustafa; et  al. (2021). "Una metodología de colocación de grafos para el diseño rápido de chips". Nature . 594 (7862): 207– 212. Bibcode : 2021Natur.594..207M . doi : 10.1038/s41586-021-03544-w . PMID 34108699 . 
  2. 1 2 3 4 Wakabayashi D, Metz C (2022-05-02). "Otro despido entre el equipo de expertos en IA de Google y más discordia" . The New York Times . ISSN 0362-4331 . Archivado del original el 12-06-2022 . Recuperado el 12-06-2022 . 
  3. 1 2 3 4 Dave, Paresh (2022-05-03). "Google enfrenta una batalla interna sobre la investigación en IA para acelerar el diseño de chips" . Reuters.
  4. 1 2 Yan, Jackey Z.; Viswanathan, Natarajan; Chu, Chris (2009). "Manejo de complejidades en la colocación moderna a gran escala de tamaño mixto". Actas de la 46.ª Conferencia Anual de Automatización del Diseño . ACM. págs. 436–441 . doi : 10.1145/1629911.1630028 . Véase la Tabla 1.
  5. ↑ A. Kahng, J. Lienig, I. Markov, J. Hu: "Diseño físico VLSI: desde la partición de grafos hasta el cierre de temporización", Springer (2022), doi : 10.1007/978-90-481-9591-6 , ISBN 978-3-030-96414-6, págs. 10-13.
  6. 1 2 3 Cheng, Chung-Kuan; Kahng, Andrew B.; Kundu, Sayak; Wang, Yucheng; Wang, Zhiang (2023). "Evaluación del aprendizaje por refuerzo para la colocación macro". Actas del Simposio Internacional de Diseño Físico de 2023. ACM. págs. 158–166 . arXiv : 2302.11014 . doi : 10.1145/3569052.3578926 . ISBN  978-1-4503-9978-4. Nota: La versión de arXiv se actualizó en marzo de 2026.
  7. 1 2 Goldie, Anna; Mirhoseini, Azalia; Dean, Jeff. "Ese chip ya zarpó: una crítica del escepticismo infundado en torno a la IA para el diseño de chips". arXiv : 2411.10053 [ cs.AI ].
  8. 1 2 Markov, Igor L. (2023). "El falso amanecer: reevaluación del aprendizaje por refuerzo de Google para la colocación de macrochips". arXiv : 2306.09633 [ cs.LG ].
  9. ↑ Yue, Summer; Songhori, Ebrahim M.; Jiang, Joe Wenjie; Boyd, Toby; Goldie, Anna; Mirhoseini, Azalia; Guadarrama, Sergio (2022). "Escalabilidad y generalización del entrenamiento de circuitos para la planificación de la distribución de chips". Actas del Simposio Internacional sobre Diseño Físico (ISPD) . ACM. págs. 65–70 . doi : 10.1145/3505170.3511478 . 
  10. ↑ Moore, Samuel K. (4 de abril de 2023). "Poniendo fin a un capítulo oscuro en el diseño de chips". IEEE Spectrum . N.° junio de 2023. 
  11. ↑ "Líneas de base más sólidas para evaluar el aprendizaje profundo por refuerzo en la colocación de chips" (PDF) .
  12. 1 2 "La demanda presentada por el ingeniero de IA despedido de Google, que denunció irregularidades, sigue adelante" . Hindustan Times. 21 de julio de 2023.
  13. 1 2 3 Satrajit Chatterjee contra Google, LLC (Caso n.º 22CV398683) (Tribunal Superior de California, Condado de Santa Clara, 21 de febrero de 2023) ("La demanda completa presentada en el Condado de Santa Clara, que detalla las alegaciones y reclamaciones de Chatterjee como denunciante contra Google"), Texto .
  14. ↑ Burnson, Robert (2023-07-20). "La demanda por denuncia de irregularidades presentada por un ingeniero despedido de Google sigue adelante" . Bloomberg.
  15. 1 2 3 4 5 6 7 Cheng, Chung-Kuan; Kahng, Andrew B.; Kundu, Sayak; Wang, Zhiang (2025). "Una evaluación actualizada del aprendizaje por refuerzo para la colocación de macros" . IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems : 1. doi : 10.1109/TCAD.2025.3644293 .
  16. 1 2 3 4 5 6 7 8 9 10 Markov, Igor L. (2024). "Reevaluating Google's Reinforcement Learning for IC Macro Placement". Communications of the ACM . 67 (12): 54– 71. arXiv : 2306.09633 . doi : 10.1145/3676845 .
  17. 1 2 3 Goth, Gregory (29 de marzo de 2023). "Más detalles, pero no suficientes" . Communications of the ACM.
  18. 1 2 3 Halper, Mark (2024-11-04). "Las actualizaciones provocan revuelo" . Communications of the ACM.
  19. ↑ Kahng, AB; Wang, Q. (2005). "Implementación y extensibilidad de un colocador analítico". IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems . 24 (5): 734– 747. doi : 10.1109/TCAD.2005.846366 .
  20. ↑ Lu, J.; Du, P.; Cheng, C.-K.; Kahng, AB (2015). "ePlace: Colocación basada en electrostática mediante la transformada rápida de Fourier y el método de Nesterov". ACM Transactions on Design Automation of Electronic Systems . 20 (2): 17:1–17:34. doi : 10.1145/2699873 .
  21. ↑ Chen, T.-C.; Jiang, Z.-W.; Hsu, T.-C.; Chen, H.-C.; Chang, Y.-W. (2008). "NTUplace3: Un colocador analítico para diseños de gran escala de tamaño mixto con bloques precolocados y restricciones de densidad". IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems . 27 (7): 1228– 1240. doi : 10.1109/TCAD.2008.923063 .
  22. ↑ Cheng, C.-K.; Kahng, AB; Kang, I.; Wang, L. (2019). "RePlAce: Avances en la validación de la calidad de la solución y la enrutabilidad en la colocación global". IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems . 38 (9): 1717– 1730. doi : 10.1109/TCAD.2018.2859220 .
  23. ↑ Lin, Y.; Jiang, Z.; Gu, J.; Li, W.; Dhar, S.; Ren, H.; Khailany, B.; Pan, DZ (2021). "DREAMPlace: Aceleración de GPU habilitada por Deep Learning Toolkit para la colocación moderna de VLSI". IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems . 40 (4): 748– 761. doi : 10.1109/TCAD.2020.3003843 .
  24. ↑ Jiang, Zixuan; Songhori, Ebrahim; Wang, Shen; Goldie, Anna; Mirhoseini, Azalia; Jiang, Joe; Lee, Young-Joon; Pan, David Z. (2021-09-06). "Profundizando en la colocación macro con aprendizaje por refuerzo". arXiv : 2109.02587 [ cs.LG ].
  25. 1 2 Hsu J (14 de octubre de 2024). "Google afirma que su IA diseña chips mejor que los humanos; los expertos discrepan" . New Scientist . Archivado del original el 5 de marzo de 2025. Consultado el 27 de julio de 2025 .
  26. ↑ "Potencial y limitaciones de la IA en el diseño de chips" .
  27. ↑
    • Mirhoseini, Azalia; Goldie, Anna; Yazgan, Mustafa; Jiang, Joe Wenjie; Songhori, Ebrahim; Wang, Shen; Lee, Young-Joon; Johnson, Eric; Pathak, Omkar; Nova, Azade; Pak, Jiwoo; Tong, Andy; Srinivasa, Kavya; Hang, William; Tuncer, Emre; Le, Quoc V.; Laudon, James; Ho, Richard; Carpenter, Roger; Dean, Jeff (2023-09-20). "Historial de cambios: una metodología de colocación de grafos para el diseño rápido de chips" . Nature . 594 (7862). Springer Nature: 207– 212. Bibcode : 2021Natur.594..207M . doi : 10.1038/s41586-021-03544-w . PMID 34108699. Consultado el 30 de enero de 2026 . 
    • Historial de cambios en CrossRef
  28. ↑ Joelving, Fredrik (26 de septiembre de 2023). "Nature señala dudas sobre el estudio de IA de Google y retira el comentario" . Retraction Watch.
  29. ↑ Mirhoseini, Azalia; Goldie, Anna; Yazgan, Mustafa; et al. (26 de septiembre de 2024). "Adenda: Una metodología de colocación de grafos para el diseño rápido de chips" . Nature . 634 (8034): E10– E11. Bibcode : 2024Natur.634E..10G . doi : 10.1038/s41586-024-08032-5 . 
  30. ↑ Simonite, Tom (31 de mayo de 2022). "Tensión dentro de Google por la conducta de un investigador de IA despedido" . Wired . Recuperado el 25 de enero de 2026 .
  31. ↑ Mirhoseini, Azalia; Goldie, Anna; et al. (2022). "Corrección del autor: una metodología de colocación de grafos para el diseño rápido de chips" . Nature . 604 (7906): E24. Bibcode : 2022Natur.604E..24M . doi : 10.1038/s41586-022-04657-6 . 
  32. ↑ Goldie, Anna; Mirhoseini, Azalia; Dean, Jeff (2024-12-20). "¿Es matemáticas o informática? ¿O son ambas?" . Communications of the ACM. Analizando el 'metaanálisis'.
  33. ↑ Larus, James (2024-12-20). "¿Es matemáticas o informática? ¿O son ambas?" . Communications of the ACM. Respuesta del editor jefe.
  34. Chang, Yao-Wen; Jou, Jing-Yang (2004). "Algoritmos de colocación VLSI: una revisión". Integration, the VLSI Journal . 38 (1): 1– 30. doi : 10.1016/j.vlsi.2003.11.001 .
  35. Markov, Igor L.; Hu, Jin; Kim, Myung-Chul (noviembre de 2015). "Progreso y desafíos en la investigación de la colocación de VLSI" (PDF) . Actas del IEEE . 103 (11). IEEE: 1985–2003 . doi : 10.1109/JPROC.2015.2478963 .
  36. Esmaeilzadeh, Hadi; Ghodrati, Soroush; Kahng, Andrew B.; Kim, Joon Kyung; Kinzer, Sean; Kundu, Sayak; Mahapatra, Rohan; Manasi, Susmita Dey; Sapatnekar, Sachin S.; Wang, Zhiang; Zeng, Ziqing (2024). "Un marco de optimización de pila completa basado en ML de código abierto para aceleradores de aprendizaje automático" . ACM Transactions on Design Automation of Electronic Systems . 29 (4): 68:1–68:33. doi : 10.1145/3664652 . Para diseños con muchas macros, empleamos el colocador de macros concurrente de Innovus para colocar automáticamente todas las macros.
  37. Gandhi, Upma; Bustany, Ismail; Swartz, William; Behjat, Laleh (2019). "Un marco basado en aprendizaje por refuerzo para resolver el problema de enrutamiento de diseño físico en ausencia de grandes conjuntos de prueba" . 2019 ACM/IEEE 1st Workshop on Machine Learning for CAD (MLCAD) . Proc. ACM/IEEE Workshop on Machine Learning for CAD (MLCAD). pp. 1–6 . doi : 10.1109/MLCAD48534.2019.9142109 . ISBN  978-1-7281-5758-0.
Error de cita: No se utiliza en el contenido una referencia definida en la lista llamada "ChangSurvey" (consulte la página de ayuda ). Error de cita: No se utiliza en el contenido una referencia definida en la lista llamada "IEEE2015" (consulte la página de ayuda ). Error de cita: No se utiliza en el contenido una referencia definida en la lista llamada "TODAES" (consulte la página de ayuda ). Error de cita: No se utiliza en el contenido una referencia definida en la lista llamada "RL2019" (consulte la página de ayuda ).