ИИ научился проектировать процессоры уровня старых смартфонов
Алгоритмы машинного обучения уже давно используются в системах автоматизированного проектирования микросхем. Обычно они помогают на завершающих этапах разработки: размещают элементы на кремниевой подложке, прокладывают соединения и оптимизируют готовые схемы. Теперь исследователи пытаются передать нейросетям гораздо более сложную задачу — создание самой микроархитектуры процессора.
На международном форуме WLA соучредитель исследовательской группы Чэнь Юньцзи рассказал о системе, способной проектировать внутреннюю логику чипов без ручного написания исходного кода. По его словам, современные генеративные модели уже достигли уровня мобильных процессоров десятилетней давности.
От эксперимента с Intel486 до мобильных чипов
Автоматическая разработка процессора сталкивается с большим числом ограничений. Алгоритму необходимо согласовать регистры, шины, логические элементы и стадии конвейера, а также обеспечить корректную работу блока предсказания переходов и других компонентов. Ошибка в одном из узлов может сделать готовый чип неработоспособным.
Команда Чэня создала замкнутую систему, в которой генератор формирует логические блоки, а автоматическая среда тестирования проверяет их математическую корректность и выявляет несовместимости. Такая проверка выполняется сотни раз в секунду, что позволяет быстро отбраковывать неудачные варианты и уточнять архитектуру.
В 2021 году с помощью этой методики разработали экспериментальный процессор Qimeng-1. По производительности и плотности команд он соответствовал Intel486, представленному в 1990-х годах. К 2025 году следующая версия, Qimeng-2, смогла выйти на уровень центральных процессоров смартфонов середины 2010-х годов.
ИИ помогает проектировать не только процессоры
Похожие методы применили к анализу алгоритмов машинного обучения. Изучив более ста распространённых нейросетевых моделей, разработчики выделили повторяющиеся операции — прежде всего матричные и тензорные вычисления. На их основе сформировали специализированную систему команд, архитектуру которой затем лицензировали для создания первых коммерческих ускорителей.
Отдельное направление связано с обратным проектированием материалов. Вместо перебора компонентов инженеры задают целевые свойства — прочность, устойчивость к окислению, пластичность и пригодность к обработке, — после чего алгоритм рассчитывает подходящий состав сплава и параметры термообработки. Такой подход использовали, в частности, при создании специализированного сплава для корпуса Apple Watch, где требовалось совместить устойчивость к царапинам с точностью фрезеровки.
Нобелевский лауреат Константин Новоселов на том же форуме рассказал о моделях, предсказывающих свойства двумерных материалов на атомном уровне. Они позволяют сузить область поиска новых полупроводников, хотя компьютерные симуляции часто описывают идеальные кристаллические решётки. В реальных материалах присутствуют примеси, микропустоты и другие дефекты, которые необходимо учитывать отдельно.
Цифровые двойники на производстве
Нейросетевые модели применяются и непосредственно на полупроводниковых фабриках. Такие операции, как плазменное травление и нанесение тонких плёнок, требуют длительной настройки, а эксперименты на реальном оборудовании обходятся дорого. Поэтому производители создают цифровые двойники производственных установок и проверяют параметры в виртуальной среде.
По приведённым данным, Lam Research с помощью нейросетевых симуляторов ускорила расчёт процессов травления до 30 раз. Applied Materials анализирует параметры кремниевых пластин во время обработки и оценивает более миллиона трёхмерных профилей поверхности в час. Связка реальных камер с виртуальными копиями помогает компенсировать колебания температуры и давления, оптимизировать работу роботов и заранее обнаруживать износ форсунок и электродов.
Аналитические агенты также используются для поиска причин брака и анализа отказов микросхем. Локализация скрытых дефектов под электронным микроскопом, на которую инженерам раньше требовались сотни рабочих часов, в автоматизированном режиме может занимать менее шести часов.
При этом генеративный синтез логики пока не способен заменить ведущих архитекторов при создании флагманских процессоров. Однако технология уже позволяет замыкать цикл проектирования и проверки относительно простых вычислительных ядер. В сочетании с автоматическим подбором материалов и цифровым контролем оборудования она постепенно превращается в полноценный инструмент полупроводниковой индустрии.
