این تراشهها ابتدا در یکی از اولین استفادههای تجاری خود، در واحد پردازش تنسور (TPU) این شرکت که برای محاسبات هوشمصنوعی بهینه شده است، استفاده خواهد شد. بنابراین روش هوشمصنوعی گوگل برای طراحی این تراشهها در نهایت میتواند به بهبود و سرعتبخشیدن توسعه خود هوشمصنوعی در آینده کمک کند. محققان میگویند، روش ما برای طراحی نسل بعدی شتابدهندههای هوشمصنوعی گوگل مورد استفاده قرار میگیرد و موجب صرفهجویی هزاران ساعت تلاش انسانی میشود. پیشرفت بزرگ در این پروژه این است که از روش هوشمصنوعی گوگل میتوان برای بستر برنامهریزی طراحی تراشه (chip floorplanning) استفاده کرد. همانطور که در مقاله آمده است: برخلاف پنج دهه تحقیق، بستر برنامهریزی طراحی تراشه از خودکارشدن سرپیچی میکند و مهندسان طراح برای طراحی فیزیکی محصولات مختلف به ماهها تلاش نیاز دارند.
تیم محققان گوگل با استفاده از روشهای یادگیری تقویتی عمیق، الگوریتمی را ایجاد کردند. این الگوریتم روش انجام اقدامات مشخص را بهگونهای میآموزد که قادر است چندین ماه کار انسانی را در چند ساعت محقق کند. این تیم سیستم هوشمصنوعی خود را با تغذیه ۱۰هزار بستر برنامهریزی تراشه آموزش داد تا بتواند درست و غلط را به آن بیاموزد. محققان میگویند، روش ما از تجربیات گذشته برای بهتر و سریعتر کردن موارد جدید حل مساله استفاده میکند و اجازه میدهد طراحی تراشه بهواسطه هوشمصنوعی با تجربهای بیشتر نسبت به هر طراح انسانی انجام شود. آنها میگویند، پیامدها و کاربردهای مثبت این روش برای تراشههای نیمههادی زیاد است. اخیرا کارهای زیادی در موضوع نیمههادیها درحال انجام است. بهعنوان مثال شرکت آیبیام (IBM) با ایجاد اولین تراشه ۲نانومتری در جهان به موفقیت بزرگی در طراحی نیمههادیها دست یافته است. البته آنها تنها شرکتی نیستند که در طراحی تراشههای کوچک پیشرفت زیادی دارند؛ تیمی از موسسه فناوری ماساچوست (MIT)، دانشگاه ملی تایوان و شرکت تولیدکننده نیمههادی تایوان راهی برای تولید نیمههادیها با مقیاس کمتر از یک نانومتر نیز پیدا کردهاند.
