Алгоритмы машинного обучения и оптимизации давно закрепились в САПР. Раньше они в основном помогали на завершающих стадиях — например, раскладывали элементы по кремниевой подложке и трассировали проводники. Сейчас исследователи пробуют передать нейросетям более сложную задачу — синтез самой микроархитектуры процессора.
На международном форуме WLA соучредитель исследовательской группы Чэнь Юньцзи поделился результатами разработки процессоров, чья внутренняя логика создавалась без написания исходного кода человеком. По его словам, современные генеративные модели доросли до уровня мобильных процессоров десятилетней давности. Разберем подробности ниже.
Проблемы разработки
Разработка логики процессора требует высокой точности. Если чип работает на частоте в несколько сотен мегагерц и выполняет миллиарды операций в секунду, любая ошибка в конвейере команд или в блоке предсказания переходов превращает кремний в нерабочий кусок текстолита.
Попытка собрать процессор только силами генеративных алгоритмов упирается в огромное число возможных комбинаций регистров, шин, логических вентилей и конвейерных стадий. Также проблемой является то, что алгоритм не может просто «придумать» процессор целиком с первой попытки, а проверить такую схему вручную обычными тестами практически невозможно.
Схема, внешний вид и отладочная плата 300-МГц микрочипа от ICT, CAS . Источник.
Команда Чэня построила замкнутую систему: генератор архитектур выдает логические блоки, а встроенная автоматическая среда тестирования проверяет их на математическую корректность и устраняет нестыковки сотни раз в секунду. В 2021 году с помощью этой методики получили экспериментальный чип Qimeng-1. По скорости работы и плотности команд он соответствовал процессору Intel486™ из 1990-х годов. К 2025 году его преемник, Qimeng-2, совершил скачок: синтезированные схемы вышли на производительность центральных процессоров смартфонов середины 2010-х годов.
Те же принципы анализа применили и к алгоритмам машинного обучения. Изучив свыше ста распространенных нейросетевых моделей, разработчики выделили повторяющиеся операции — базовую матричную и тензорную математику. На основе этого набора они сформировали систему команд, чью архитектуру затем лицензировали для создания ранних коммерческих чипов ускорения вычислений.
Обратное проектирование
На форуме нобелевский лауреат Константин Новоселов рассказал, как алгоритмы предсказывают свойства двумерных материалов на атомном уровне. Это сильно сужает область поиска новых полупроводников. Однако ученый напомнил об ограничениях: в симуляциях исследователи часто имеют дело с идеальными кристаллическими решетками кремния или железа, тогда как в реальном веществе всегда присутствуют примеси, микропустоты и структурные дефекты.
Схема генеративной и распознающей моделей. Источник.
В прикладных задачах все чаще используют метод обратного проектирования. Инженеры не перебирают компоненты наугад, а сначала задают целевые параметры: необходимую механическую прочность, устойчивость к окислению, пластичность при обработке и качество полировки. Алгоритм рассчитывает оптимальный химический состав сплава и параметры его термообработки. По такой схеме, например, создавался специализированный сплав для корпуса Apple Watch, где требовалось совместить устойчивость к царапинам и точность фрезеровки.
Схема воссоздания архитектуры фон Неймана. Источник.
Цифровые двойники на полупроводниковых фабриках
На заводах по производству микросхем процессы — например, плазменное травление канавок и осаждение тонких пленок на пластины — требуют долгой настройки. Тестовые прогоны на реальных установках обходятся слишком дорого, поэтому производители оборудования внедряют виртуальное моделирование.
Собственный сервер Selectel
В основе — самые современные процессоры Intel® Xeon® 6, до 8 ТБ DDR5 и специально разработанная материнская плата. Арендуйте сервер у нас или закажите в свой дата‑центр.
Узнать подробности →
Компания Lam Research использует цифровые модели с нейросетевыми симуляторами, ускоряя расчет процессов травления до 30 раз. Applied Materials анализирует параметры кремниевых пластин прямо в процессе обработки, оценивая более миллиона трехмерных профилей поверхности в час. Производители оборудования связывают реальные рабочие камеры с их виртуальными копиями: это компенсирует колебания температур и давления, оптимизирует перемещение пластин роботами-манипуляторами и заранее предупреждает об износе форсунок и электродов.
Отдельные аналитические агенты берут на себя поиск причин брака и анализ отказов микросхем. Операции локализации скрытых микродефектов под электронным микроскопом, на которые у инженеров уходили сотни рабочих часов, алгоритмы выполняют менее чем за шесть часов.
Архитектура экосистемы автоматизированного проектирования на базе большой модели процессорного чипа с разделением на аппаратного и программного ИИ-агентов. Источник.
При этом автоматический синтез логики пока не готов заменить ведущих инженеров-архитекторов при создании флагманских чипов. Тем не менее он уже замыкает цикл разработки и проверки относительно простых вычислительных ядер, а в связке с синтезом материалов и контролем заводского оборудования становится полноценным рабочим инструментом полупроводниковой индустрии.
А как вы оцениваете перспективы полной автоматизации разработки микроэлектроники? Сможет ли связка генеративных моделей и сред быстрой верификации в обозримом будущем догнать современные серверные архитектуры или ручной труд инженеров останется незаменимым? Делитесь своим мнением и опытом работы с САПР в комментариях.
Источник: habr.com