ИИ научился проектировать процессоры уровня старых смартфонов

Алгоритмы машинного обучения и оптимизации давно закрепились в САПР. Раньше они в основном помогали на завершающих стадиях, таких как размещение элементов на кремниевой подложке и трассировка проводников. Сейчас исследователи пробуют передать нейросетям более сложную задачу, заключающуюся в синтезе 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. Разработка логики чипа требует высокой точности, так как любая ошибка в конвейере команд превращает кремний в нерабочий кусок текстолита.

• Нейросети научились создавать микроархитектуру процессоров без написания исходного кода человеком.
• Экспериментальный чип Qimeng-2 достиг производительности смартфонов середины 2010-х годов.
• Автоматическая среда тестирования проверяет логические блоки и устраняет нестыковки сотни раз в секунду.
• ИИ также ускоряет синтез материалов, моделирование травления и анализ заводского брака микросхем.

Замкнутая система верификации

Попытка собрать процессор только силами генеративных алгоритмов упирается в огромное число возможных комбинаций регистров, шин, логических вентилей и конвейерных стадий. Проблема заключается и в том, что алгоритм не может просто придумать процессор целиком с первой попытки, а проверить такую схему вручную обычными тестами практически невозможно. Команда Чэня построила замкнутую систему, где генератор выдает логические блоки, а встроенная среда тестирования проверяет их на математическую корректность.

В 2021 году с помощью этой методики получили экспериментальный чип Qimeng-1, который по скорости работы соответствовал процессору Intel486 из 1990-х годов. К 2025 году его преемник Qimeng-2 совершил заметный 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 для формирования новой системы команд.

Синтез материалов и цифровые двойники

В прикладных задачах все чаще используют метод обратного проектирования, когда инженеры сначала задают целевые параметры прочности и устойчивости, а алгоритм рассчитывает оптимальный химический состав сплава. На заводах по производству микросхем процессы плазменного травления требуют долгой настройки, поэтому производители внедряют виртуальное моделирование. Компания Lam Research использует цифровые модели с нейросетевыми симуляторами, ускоряя расчет процессов в 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 виртуальными копиями для компенсации колебаний температур и давления. Отдельные аналитические агенты берут на себя поиск причин брака, сокращая анализ скрытых микродефектов под электронным микроскопом сотен часов до менее чем шести.

Перспективы автоматизации микроэлектроники

Автоматический синтез логики пока не готов полностью заменить ведущих инженеров-архитекторов при создании флагманских чипов. Тем не менее он уже успешно замыкает цикл разработки и проверки относительно простых вычислительных ядер. В связке с автоматизированным синтезом материалов и контролем заводского оборудования это становится полноценным рабочим инструментом полупроводниковой индустрии.

Для технологического рынка и инженеров развитие подобных систем знакомит индустрию с новыми методами оптимизации проектирования. Хотя до создания серверных монстров силами искусственного интеллекта еще далеко, рутинные задачи по синтезу специализированных блоков и анализу производственного брака перекладываются на плечи алгоритмов, экономя колоссальные ресурсы разработчиков.