شرکت‌های نیمهرسانا از هوش مصنوعی برای طراحی سریعتر، ارزان‌تر و کارآمدتر تراشه‌های بهتر استفاده میکنند.
"پایگاه رسانه‌ای گرداب جهت اطلاع و افزایش دانش و سواد فضای مجازی مخاطبان خود و به ویژه دانشجویان، پژوهشگران و تصمیم‌گیران، ترجمه‌هایی در این زمنیه منتشر می‌کند. بدیهی است انتشار این مطالب، لزوما به معنای تایید محتوای آن نیست."
به گزارش گرداب، پیشرفت‌های اخیر در یادگیری ماشینی به شرکت‌های تراشه اجازه می‌دهد یکی از بزرگترین مشکلات طراحی را حل کنند: چگونه ۱۰۰ میلیارد ترانزیستور را در یک اینچ مربع مرتب می‌کنیم؟
هوش مصنوعی (AI) به سرعت در حال تبدیل شدن به یک یاور قدرتمند برای مهندسان تراشه انسانی در کار بسیار پیچیده طراحی نیمهرسانا است. دیلویت گلوبال (Deloitte Global) پیشبینی می‌کند که شرکت‌های نیمهرسانا پیشرو جهان در سال ۲۰۲۳، ۳۰۰ میلیون دلار آمریکا برای ابزار‌های هوش مصنوعی داخلی و شخص ثالث برای طراحی تراشه‌ها هزینه خواهند کرد و این رقم در چهار سال آینده به طور سالانه ۲۰ درصد رشد خواهد کرد و در سال ۲۰۲۶ از ۵۰۰ میلیون دلار فراتر خواهد رفت.
این پول در چارچوب بازار جهانی نیمه‌رسانا‌های پیش بینی شده ۶۶۰ میلیارد دلاری در سال ۲۰۲۳، پول زیادی نیست، اما برای بازده سرمایه‌گذاری بسیار مهم است. ابزار‌های طراحی هوش مصنوعی به سازندگان تراشه اجازه می‌دهند تا مرز‌های قانون مور (Moore’s law) را جابه‌جا کنند، در زمان و هزینه صرفهجویی کنند، کمبود استعداد را کاهش دهند و حتی طرح‌های قدیمیتر تراشه را به‌روزرسانی کنند. در عین حال، این ابزار‌ها میتوانند امنیت زنجیره تامین را افزایش داده و به کاهش کمبود تراشه بعدی کمک کنند.
به عبارت دیگر، اگرچه مجوز‌های لازم برای ابزار‌های نرم‌افزاری هوش مصنوعی مورد نیاز برای طراحی یک تراشه ممکن است تنها ده‌ها هزار دلار هزینه داشته باشد، اما تراشه‌های طراحی شده توسط چنین ابزار‌هایی میتواند میلیارد‌ها دلار ارزش داشته باشد.
برای دهه‌ها، فروشندگان اتوماسیون طراحی الکترونیکی (EDA) ابزار‌هایی را برای طراحی تراشه ساخته‌اند (بیش از ۱۰ میلیارد دلار) که در یک صنعت در سال ۲۰۲۲، سالانه حدود ۸ درصد رشد می‌کند. ابزار‌های EDA معمولاً از سیستم‌های مبتنی بر قانون و شبیهسازی فیزیک استفاده میکنند تا به مهندسان انسانی در طراحی و اعتبارسنجی تراشه‌ها کمک کنند. برخی حتی از هوش مصنوعی ابتدایی نیز استفاده کرده‌اند.
با این حال، در سال گذشته، بزرگترین شرکت‌های EDA شروع به فروش ابزار‌های پیشرفته مجهز به هوش مصنوعی کرده‌اند، در حالی که سازندگان تراشه و شرکت‌های فناوری ابزار‌های طراحی هوش مصنوعی خود را توسعه داده‌اند. این ابزار‌های پیشرفته، تنها در حد آزمایش نیستند. آن‌ها در دنیای واقعی در بسیاری از طرح‌های تراشه به ارزش میلیارد‌ها دلار در سال استفاده می‌شوند. اگرچه آن‌ها جایگزین طراحان انسانی نمی‌شوند، اما نقاط قوت مکمل آن‌ها در سرعت و مقرون به‌صرفه‌بودن، قابلیت‌های طراحی بسیار کارآمدتری را به سازندگان تراشه می‌دهد.
طراحی و ساخت تراشه بسیار پیچیده است و هوش مصنوعی پیشرفته میتواند به سه روش اصلی کمک کند:
ساخت تراشه‌های جدید و بهتر: تراشه‌های نود (node) ۱۰ نانومتری در گوشی‌های هوشمند، رایانه‌ها و مراکز داده یافت می‌شوند. آن‌ها سریعترین بخش در حال رشد بازار چیپ‌ها هستند و تا حد زیادی سودآورترین بخش محسوب می‌شوند. با اینحال، با بیش از ۵۰۰ میلیون دلار برای هر طراحی جدید، آن‌ها درساخت نیز پرهزینهترین هستند. ابزار‌های پیشرفته هوش مصنوعی میتوانند این تراشه‌ها را سریعتر از روش‌های قدیمی طراحی کنند و هزینه‌ها را کاهش دهند.
بهتر کردن تراشه‌های قدیمی: دو سوم تراشه‌های فروخته‌شده در سال ۲۰۲۲ در نود ۶۵ نانومتری یا بزرگتر بودند. استفاده از طرح‌های تراشه‌های قدیمی و انتقال آن‌ها به نود‌های پیشرفتهتر آن‌ها را از نظر فیزیکی کوچکتر و کارآمدتر می‌کند و دیگر به تجهیزات ساخت منسوخ‌شده متکی نخواهند بود. ابزار‌های پیشرفته هوش مصنوعی به سازندگان تراشه اجازه می‌دهند تا این کوچک شدن‌ها را سریعتر و ارزان‌تر انجام دهند.
کاهش شکاف استعداد تراشه: حدود ۲ میلیون نفر در سال ۲۰۲۲ در صنعت تراشه در سراسر جهان کار میکنند، اما با تلاش مداوم برای خودکفایی تراشه در ایالات متحده، اتحادیه اروپا و چین، این بخش باید تا سال ۲۰۳۰، یک میلیون کارگر بیشتر پیدا کند. درنتیجه، ابزار‌های پیشرفته هوش مصنوعی به عنوان راهی برای پرکردن شکاف استعداد‌ها اهمیت فزایند‌ه‌ای پیدا خواهند کرد.
تراشه‌ها از سه مرحله طراحی اصلی عبور میکنند: طراحی در سطح سیستم، طراحی سطح انتقال ثبت (RTL) و در نهایت طراحی مدار فیزیکی. در آخرین مرحله است که ابزار‌های پیشرفته هوش مصنوعی میتوانند واقعا بدرخشند.
طراحی تراشه سه متغیر قدرت، عملکرد و مساحت (PPA) را بهینه می‌کند تا تراش‌هایی را تولید کند که مصرف برق را به حداقل برسانند، سرعت پردازش را به حداکثر برساند و تا حد امکان کوچک باشد. بهینه‌سازی PPA با ابزار‌های معمولی، زمان‌بر و پرهزینه است: تکرار‌های طراحی ممکن است هفته‌ها طول بکشد و اغلب فقط اندکی PPA را بهبود میبخشند. حتی ممکن است سال‌ها طول بکشد تا یک تراشه طراحی شود.
تراشه‌ها دارای میلیارد‌ها ترانزیستور هستند که با بلوک‌های مدولار (که حاوی عناصری مانند زیرسیستم‌های حافظه، واحد‌های محاسباتی، سیستم‌های منطق کنترل و منابع قدرت هستند) و سلول‌های استاندارد نشان داده می‌شوند. در تراشه‌های بسیار پیچیده، این بلوک‌های مدولار تا ۵۰ کیلومتر سیم به هم متصل می‌شوند. وقتی بلوک‌ها به طور مطلوب چیده نشده‌اند، سیمکشی و فضای بیشتری برای اتصال بلوک‌ها نیاز است.
بار‌های الکتریکی ناخواسته بین اجزاء (که انگلی نامیده می‌شوند) میتوانند عملکرد و قدرت را کاهش دهند.
ابزار‌های پیشرفته هوش مصنوعی میتوانند طرح‌های انسانی را به وسیله یافتن خطا‌های قرارگیری که مصرف انرژی را افزایش می‌دهند و یا مانع عملکرد و یا استفاده ناکارآمد از فضا می‌شوند را آزمایش کنند و پیشنهاد بهبود داده و سپس شبیهسازی و آزمایش آن‌ها را انجام دهند.
این ابزار‌ها از تکرار‌های قبلی یاد میگیرند که PPA را تا زمانی که به بیشترین حد خود برسد، بهبود ببخشند. اما آن چه که واقعاً شگفت‌انگیز است این است که هوش مصنوعی پیشرفته میتواند این کار را به طور مستقل انجام دهد و PPAهای بهتری را نسبت به طراحان انسانی با استفاده از ابزار‌های سنتی EDA تولید کند و گاهی این کار را در چند ساعت با یک مهندس طراح انجام می‌دهد درحالیکه انجامش، هفته‌ها یا ماه‌ها با یک تیم مهندسی طول میکشد.
این قابلیت‌های پیشرفته هوش مصنوعی تقریباً به طور کامل به دو دسته تقسیم می‌شوند: شبکه‌های عصبی گراف (GNN) و یادگیری تقویتی (RL). شبکه‌های عصبی گراف نوعی الگوریتم یادگیری ماشینی هستند که برای تجزیه و تحلیل گراف‌ها تخصص دارند (ساختار‌های داد‌های حاوی نود‌ها هستند که میتوانند هر شیئی باشند و لبه‌ها که رابطه بین نود‌ها را تعریف میکنند). شبکه‌های عصبی یادگیری عمیق سنتی با نمودار‌ها دست و پنجه نرم میکنند، اما شبکه‌های عصبی گراف اطلاعات را از نمودار‌ها استخراج میکنند، پیشبینی‌های مفیدی در مورد اتصالات خود انجام می‌دهند و نود‌ها را با حفظ روابط کلیدی، مرتب میکنند. از آن جایی که ساختار تراشه اساساً شبیه به نمودار است (بلوک‌های ماکرو و سلول‌های استاندارد، نود مانند هستند و سیم‌های متصل به آن‌ها لبهمانند است) شبکه‌های عصبی گراف برای تحلیل و بهینه‌سازی تراشه‌ها ایدهآل هستند.
یادگیری تقویتی (RL) طراحی تراشه فیزیکی را به یک بازی بهینه‌سازی گراف تبدیل می‌کند. این همان فناوری است که گوگل برای شکست دادن قهرمان انسانی در بوردگیم استراتژی Go، که حتی پیچیدهتر از شطرنج است و تصور میشد فراتر از توانایی‌های هوش مصنوعی است، استفاده کرد.
طراحی تراشه فیزیکی به طور تصاعدی پیچیدهتر است، اما RL به همان شیوه با آن مقابله می‌کند. این برنامه، هزاران بازی را آموزش می‌دهد (پلان‌های طبقهبندی تراشه، که طرح‌های تراشه‌ها را برای یافتن بهترین ترتیبات PPA شبیهسازی میکنند). پلان‌های طبقه تولید شده توسط هوش مصنوعی بهوسیلهی ترکیبی از پاداش‌های طراحان انسانی برای طرح‌هایی که PPA را بهینه میکنند، مانند طرح‌هایی که طول سیم، تراکم، ضخامت، مصرف برق و مساحت را کاهش می‌دهند، و همینطور مجازات‌هایی برای طرح‌های غیربهینه، تقویت می‌شوند.
این تقویتکننده‌ها سیستم RL را در طول زمان بهبود میبخشند و به آن آموزش می‌دهند که طرح‌های بهتری را به طور مستقل ایجاد کند.
ترکیبی از شبکه‌های عصبی گراف (GNN) و یادگیری تقویتی (RL)، PPAهایی را ارائه می‌دهند که عملکرد آن‌ها برابر یا فراتر از آن‌هایی است که توسط طراحان با تجربه، با استفاده از مهندسان انسانی کمتر و در زمان کمتری تولید می‌شوند.
برخی از نتایج اخیر دنیای واقعی عبارتند از:
. ابزار هوش مصنوعی MIT طرح‌های مداری را توسعه داد که ۲.۳ برابر کم‌مصرفتر از مدار‌های طراحی شده توسط انسان بود.
. مدیاتک (MediaTek) از ابزار‌های هوش مصنوعی برای کاهش ۵ درصدی اندازه یک جزء کلیدی پردازنده و کاهش مصرف انرژی تا ۶ درصد استفاده کرد.
. کیدنس (Cadence) با استفاده از هوش مصنوعی و یک مهندس به مدت ۱۰ روز، به جای ۱۰ مهندس درطول چندین ماه، توانست عملکرد یک تراشه ۵ نانومتری موبایل را ۱۴ درصد بهبود داده و مصرف انرژی آن را ۳ درصد کاهش دهد.
. آلفابت (Alphabet)، به طور مداوم پلان‌های طبقه تراش‌های را تولید می‌کند که در معیار‌های PPA از طراحان انسانی با تجربه فراتر میرود و این کار را بهجای آن که در طول چندین هفته و چند ماه انجام دهد، در طول شش ساعت انجام می‌دهد.
.انویدیا (NVIDIA) از ابزار RL خود استفاده کرد تا مدار‌هایی طراحی کند که دارای عملکرد مشابه‌اند، اما ۲۵ درصد کوچکتر از مدارهاییاند که توسط انسان‌ها با استفاده از ابزار‌های EDA امروزی طراحی شده‌اند.
سخن پایانی
سازندگان و طراحان بزرگ تراشه امروزه از جدیدترین ابزار‌های هوش مصنوعی برای طراحی تراشه‌ها حتی در نود‌های پیشرفته استفاده میکنند. در واقع، برخی از تراشه‌ها آنقدر پیچیده می‌شوند که ممکن است به زودی به هوش مصنوعی پیشرفته نیاز باشد. به عنوان مثال، بزرگترین طراحی تراشه Synopsys شامل بیش از ۱.۲ تریلیون ترانزیستور و ۴۰۰ هزار هسته بهینه شده با هوش مصنوعی است.
هوش مصنوعی پیشرفته همچنین از طریق خدمات EDA مبتنی بر ابر موجود است و بازار دردسترس را گسترش می‌دهد. هنگامی که در فضای ابری قرار بگیرد، برای شرکت‌های کوچکتر با مهارت فنی و قدرت محاسباتی کمتر نیز در دسترس است و دسترسی به آن مختص به کارشناسان و رهبران بازار نخواهد بود.
بزرگترین شرکت‌های نیمهرسانا حتی میتوانند از هوش مصنوعی پیشرفته برای توسعه خدمات جدید برای کسب درآمد استفاده کنند. با گسترش قابلیت‌های GNN و RL، این شرکت‌ها نه تنها میتوانند طرح‌های خود را تولید کنند، بلکه میتوانند خدمات طراحی و طراحی مشترک، از جمله توسعه مشترک تراشه‌های عمودی خاص را نیز به مشتریان برتر خود ارائه دهند.
هوش مصنوعی میتواند در صنعت تراشه، برای چیزی بیشتر از طراحی تراشه مفید باشد. برای مثال، می‌توان از آن برای بهبود تقریبا ۹ برابری در عیبیابی با بازرسی بصری ویفر‌ها استفاده کرد. همچنین میتواند به شرکت‌های تراشه اجازه دهد تا به چالش‌های زنجیره تأمین مانند مدیریت شبکه مونتاژ نیمه‌رسانا‌های برونسپاری شده و ارائهدهندگان آزمایش، رسیدگی کنند.
چند سالی است که تراشه‌هایی برای هوش مصنوعی طراحی شده‌اند. در حال حاضر، تراشه‌های طراحی شده توسط هوش مصنوعی وجود دارند، اما بعد از آن چه میشود؟ هوش مصنوعی احتمالاً شروع به طراحی مشترک سخت‌افزار و نرم‌افزاری می‌کند که خود هوش مصنوعی را تقویت کند و این یک نوآوری ایجاد می‌کند که ممکن است قرن ۲۱ را دگرگون کند.
منبع: deloitte
