隨著如此眾多的初創公司和大型半導體公司爭相將新的AI芯片推向市場，Synopsis，Cadence和Mentor Graphics等電子工具和設計服務公司正在尋找新的方法來幫助設計師加速其產品上市時間。具有諷刺意味的是，正在採取的方法之一是使用AI來幫助構建更好的AI芯片。設計過程的後端（稱為物理設計）對於支持AI的工具尤為成熟，並且早期採用者正在實現出色的結果
對於那些不熟悉芯片製造的人，一旦確定了芯片的邏輯（可能要花費數月或數年），物理設計過程便開始了，工程師必須確定將每塊晶體管放在何處以及如何互連。此過程稱為佈局佈線。由於現代芯片上有數十億個晶體管，因此這種設計佈局和測試通常需要數名工程師花費大約20至30周的時間才能完成。如果他們弄錯了，該芯片可能會比設計的速度慢，功耗更多，成本比計劃的高，並且/或者根本無法工作。但是，沒有一種“正確”的佈局芯片的方法。有成千上萬種可能的選擇，其中包括權衡芯片的三個主要設計目標：性能，功耗和麵積（或PPA）。
實際上，設計團隊面臨著巨大的“搜索”問題：僅平面佈置圖探索就可以包含10種90,000種驚人的可能性。放眼來看，國際象棋比賽只有10 123個州，而GO比賽包括大約10 360個州。遊戲類比很有用，因為現在可以通過AI軟件“玩”物理設計和遊戲。儘管AI可能需要大量的計算資源，但它可以通過大量難以想象的選擇進行分類，以優化參數以實現一組目標，這在芯片設計的情況下是PPA的最佳組合。
通過強化學習贏得比賽
AI中有一個無監督學習的分支，稱為強化學習（RL），用於通過試錯學習來解決這類遊戲問題：讓計算機“嘗試”一個解決方案，然後通過以下方式增強該解決方案的參數：結果。它會變好還是變壞？然後重複數萬億次，直到解決方案收斂或“取勝”。
Synopsys及其客戶承擔的一系列複雜芯片設計的四個項目。平均而言，這些項目完成的時間要快86％，由一個數據科學家而不是4-5個工程師組成，並且全部達到或超過了項目PPA的目標。有趣的是，由AI生產的一些設計有些違反直覺，以非常規的形狀散佈晶體管塊，設計團隊極不可能嘗試。但是結果不言而喻。它們可以更快，更高效，並且可以更快地投放市場。
NVIDIA首席執行官黃仁勳（Jensen Huang）在2016年首次發佈Saturn V時的一些評論，這是NVIDIA內部基於GPU的超級計算機，當時它在全球排名前30位的超級計算機中名列前茅。
