Поделиться
В России учат ИИ проектировать цифровые микросхемы
В России планируется создать систему искусственного интеллекта (ИИ) для проектирования цифровых микросхем. Проект рассчитан на период с 2024 по 2026 гг. и направлен на разработку «интеллектуальной» системы автоматизации проектирования (САПР) цифровых сверхбольших интегральных схем (СБИС).
Проектирование цифровых микросхем
Несколько российских институтов начали масштабный проект по обучению ИИ проектированию цифровых интегральных микросхем. Об этом в середине июля 2024 г. сообщает пресс-служба Фонда перспективных исследований (ФПИ). Основной задачей проекта станет создание демонстратора СБИС с использованием «интеллектуальных» подходов.
В реализации проекта участвуют ФПИ, Институт системного программирования им. В. П. Иванникова РАН, Российский экономический университет им. Г. В. Плеханова, Научно-исследовательский институт системных исследований РАН и компания «Мальт систем».
Проект рассчитан на период с 2024 по 2026 гг. и направлен на разработку «интеллектуальной» САПР СБИС. В основе разработки будет лежать открытый маршрут OpenLane, который уже успешно применяется в реальных проектах. Ожидается, что новая система позволит улучшить характеристики СБИС примерно на 10–20% и повысить эффективность процесса разработки. Проект также предполагает оптимизацию энергопотребления и производительности, разработку моделей машинного обучения, поддержку средств проектирования отечественных технологических процессов и создание центров компетенции для внедрения и технической поддержки.
По информации ФПИ, цель проекта заключается в создании отечественной системы автоматизации проектирования, которая сможет конкурировать с коммерческими решениями, является важным шагом в развитии российской микроэлектроники и обеспечении технологической независимости страны.
Возможности ИИ при создании цифровых микросхем
Проектирование микросхем на основе ИИ предполагает использование ИИ-технологий, как машинное обучение (ML) с использованием ИТ-инструментов для проектирования, верификации и тестирования полупроводниковых устройств. Например, пространство решений для поиска оптимальной мощности, производительности и площади (PPA) для микросхем довольно велико. Существует значительное количество входных параметров, которые можно варьировать и получать различные результаты. По сути, человек не в состоянии исследовать все эти комбинации, чтобы найти наилучшие результаты за определенный промежуток времени, что приводит к снижению производительности.
ИИ может подобрать правильный набор параметров, который обеспечит максимальную рентабельность инвестиций в большом пространстве решений в кратчайшие сроки. Другими словами, качество результатов будет выше и быстрее, чем в других случаях. Выполняя повторяющиеся задачи в цикле разработки микросхем, ИИ позволяет инженерам сосредоточить больше времени на повышении качества и дифференциации микросхем. Например, такие задачи, как исследование пространства проектирования, проверка покрытия и регрессионный анализ, а также генерация тестовых программ и все это может быстро и эффективно решаться с помощью ИИ.
Как работает ИИ-технология
Современные решения для проектирования микросхем с ИИ обычно используют обучение с подкреплением для изучения пространства решений и определения целей оптимизации. Наука о принятии решений, обучение с подкреплением учит оптимальному поведению в среде, взаимодействуя с ней и наблюдая за ее реакцией, чтобы получить максимальное вознаграждение. Процесс включает в себя обучение на ходу, своего рода метод проб и ошибок и таким образом, обучение с подкреплением дает лучшие результаты с течением времени.
Обучение с подкреплением подходит для автоматизации проектирования электроники (EDA) благодаря своей способности целостно анализировать сложные проблемы, решая их со скоростью, на которую не способен человек. ИИ-алгоритмы обучения с подкреплением могут быстро адаптироваться и реагировать на изменения окружающей среды, а также обучаться в непрерывном, динамичном режиме.
Еще один сегмент ИИ, который полупроводниковая промышленность начинает осваивать для разработки чипов, это генеративный ИИ. Основанный на больших языковых моделях, генеративный ИИ изучает шаблоны и структуру входных данных и быстро генерирует контент. Модели генеративного ИИ продемонстрировали свои возможности в самых разных областях применения, одним из наиболее известных примеров является чат-бот ChatGPT. Данные связанные с проектированием микросхем, в основном являются собственными, генеративный ИИ обладает потенциалом для поддержки более специализированных ИТ-платформ или для улучшения внутренних процессов с целью повышения производительности.
Благодаря сочетанию мощного интеллекта и скорости выполнения повторяющихся задач проектирование микросхем на основе ИИ позволяет добиться лучших результатов в кремнии и значительно повысить производительность труда инженеров. Проектирование микросхем с использованием ИИ имеет целый ряд преимуществ, в том числе: в каждом проекте микросхемы есть возможность обеспечить оптимальный статус для целевого применения; выполняя итеративные задачи, ИИ позволяет инженерам сосредоточиться на дифференциации и качестве дизайна микросхем при соблюдении сроков выхода на рынок; поскольку опыт, полученный в ходе реализации одного проекта, может быть сохранен и применен в следующем, ИИ повышает эффективность процессов разработки микросхем; благодаря поддержке ИИ-технологий команды разработчиков микросхем могут быстрее переносить свои проекты с одного технологического узла на другой.
Короткая ссылка
