ИИ научился проектировать процессоры уровня смартфонов 2010-х
Алгоритмы машинного обучения давно применяются в системах автоматизированного проектирования микросхем. До недавнего времени их использовали преимущественно на завершающих этапах: для размещения элементов на кремниевой подложке и трассировки соединений. Теперь исследователи пытаются поручить нейросетям более сложную задачу — создание самой микроархитектуры процессора.
На международном форуме WLA соучредитель исследовательской группы Чэнь Юньцзи рассказал о результатах разработки, в которой внутренняя логика процессоров создаётся без написания исходного кода человеком. По его словам, современные генеративные модели уже достигли уровня мобильных чипов десятилетней давности.
Замкнутый цикл проектирования и проверки
Проектирование процессорной логики требует высокой точности. Ошибка в конвейере команд, блоке предсказания переходов или связях между функциональными узлами может сделать готовый кристалл неработоспособным. При этом число возможных комбинаций регистров, шин, логических вентилей и стадий конвейера настолько велико, что перебрать их вручную практически невозможно.
Команда Чэня решила проблему с помощью замкнутой системы. Генератор формирует логические блоки, а автоматическая среда тестирования проверяет их математическую корректность и ищет несогласованности. Цикл генерации и проверки может повторяться сотни раз в секунду, постепенно отбрасывая неудачные варианты.
В 2021 году такой подход привёл к созданию экспериментального чипа Qimeng-1. По производительности и плотности команд он соответствовал процессору Intel486, представленному в 1990-х годах. К 2025 году преемник, Qimeng-2, заметно ускорился: синтезированная схема достигла уровня центральных процессоров смартфонов середины 2010-х годов.
От процессорных ядер к специализированным ускорителям
Похожие методы исследователи применили к анализу архитектур машинного обучения. Изучив более ста распространённых нейросетевых моделей, они выделили повторяющиеся операции, включая базовые матричные и тензорные вычисления. На основе этих операций сформировали систему команд, архитектуру которой позднее лицензировали для создания первых коммерческих ускорителей.
Обратное проектирование материалов
На том же форуме нобелевский лауреат Константин Новосёлов рассказал о применении алгоритмов для прогнозирования свойств двумерных материалов на атомном уровне. Такие модели позволяют сузить область поиска новых полупроводников, однако их результаты не всегда полностью отражают поведение реальных веществ. В симуляциях часто используются идеальные кристаллические решётки, тогда как в материалах присутствуют примеси, микропустоты и другие дефекты.
В промышленности всё шире используется обратное проектирование: инженеры сначала задают требуемые свойства изделия, а алгоритм подбирает химический состав и параметры обработки. Среди целевых характеристик могут быть механическая прочность, устойчивость к окислению, пластичность и качество полировки. По такой схеме, в частности, создавался специализированный сплав для корпуса Apple Watch, где требовалось совместить защиту от царапин с точностью фрезеровки.
Цифровые двойники на производстве
Искусственный интеллект применяют не только при разработке чипов, но и на полупроводниковых фабриках. Процессы плазменного травления и осаждения тонких плёнок требуют длительной настройки, а эксперименты на настоящем оборудовании обходятся дорого. Поэтому производители создают цифровые двойники установок и проверяют параметры в виртуальной среде.
Компания Lam Research использует цифровые модели с нейросетевыми симуляторами, которые, как утверждается, позволяют ускорить расчёт процессов травления до 30 раз. Applied Materials анализирует характеристики кремниевых пластин непосредственно во время обработки и оценивает более миллиона трёхмерных профилей поверхности в час. Связка физических установок с виртуальными копиями помогает учитывать колебания температуры и давления, оптимизировать перемещение пластин и заранее выявлять износ форсунок и электродов.
Отдельные аналитические агенты занимаются поиском причин брака и анализом отказов микросхем. Локализация скрытых микродефектов с помощью электронного микроскопа, на которую у инженеров раньше могли уходить сотни рабочих часов, с применением алгоритмов занимает менее шести часов.
Полностью автоматический синтез пока не способен заменить ведущих инженеров при создании флагманских процессоров. Тем не менее технология уже позволяет замкнуть цикл проектирования и проверки относительно простых вычислительных ядер. В сочетании с моделированием материалов и контролем производственного оборудования она превращается в практический инструмент полупроводниковой отрасли, а не только в экспериментальное направление исследований.
