ИИ начинает превосходить инженеров в узких задачах проектирования чипов
На протяжении десятилетий проектирование полупроводников двигалось вперёд благодаря идеям людей, открывавшим путь к новым инновациям. Но плоды этого прогресса, включая появление искусственного интеллекта, привели к парадоксальной ситуации – теперь ИИ сам участвует в создании чипов, которые делают его ещё мощнее.
Профессия инженера-проектировщика микросхем пока не входит в число тех, что ИИ-автоматизация грозит полностью вытеснить с рынка труда. Однако в узких сегментах процесса проектирования, где задачи хорошо структурированы, а критерии оценки надёжны, ИИ уже активно применяется и приносит ощутимые результаты.
Система AlphaChip от Google DeepMind, основанная на обучении с подкреплением, создала компоновки для трёх поколений тензорных процессоров (TPU) компании. DeepMind заявляет о "сверхчеловеческом" качестве этих компоновок по сравнению с работой живых инженеров.
Synopsys тоже не отстаёт – инструмент оптимизации пространства проектирования DSO.ai прошёл отметку в 100 производственных тейп-аутов, обеспечивая трёхкратный рост производительности и снижение энергопотребления до 25% для клиентов вроде STMicroelectronics и SK hynix.
Боривое Николич, профессор электротехники и компьютерных наук Калифорнийского университета в Беркли, сказал в интервью Tom's Hardware Premium:
Как и любая новая технология, ИИ может иметь множество применений.
Николич провёл параллель с законом Мура, который исторически использовался двумя способами – для удешевления существующего продукта за счёт переноса на более дешёвые техпроцессы или для добавления ранее невозможных функций.
Думаю, ИИ будет использоваться обоими способами. На данный момент индустрия, похоже, сосредоточена на первом пункте – как удешевить производство, как автоматизировать процессы лучше, чем раньше.
Академическое сообщество, напротив, больше заинтересовано в использовании ИИ для открытия того, о чём люди ещё не задумывались. Этот подход перекликается с прорывами в таких областях, как разработка лекарств и предсказание структуры белков с помощью AlphaFold.
Николич и его коллега Сагар Карандикар исследуют эту территорию в собственной работе над политиками замещения кэша – теме, глубоко погружённой в дебри микроархитектуры процессоров.
Их система ArchAgent, построенная на фреймворке AlphaEvolve от Google DeepMind, за два дня сгенерировала политику замещения кэша, которая превзошла предыдущий лучший результат на 5,3% по ускорению IPC на многоядерных рабочих нагрузках Google.
На тщательно проработанных одноядерных бенчмарках SPEC06 потребовалось 18 дней, чтобы выжать ещё 0,9%. Для Карандикара это "первый признак жизни", свидетельствующий о том, что большие языковые модели способны проектировать принципиально новую логику, а не просто подстраивать существующие параметры.
Человеческое руководство всё ещё играет огромную роль, и оно как бы поднимает планку мышления, которое требуется от людей. Люди, участвующие в этом процессе, занимаются мышлением более высокого уровня – генерируют новые идеи и направляют LLM, а языковая модель выполняет основную работу по тонкой настройке политик.
Для Игоря Маркова, исследователя в области проектирования микросхем, проведшего годы на передовой автоматизации электронного проектирования (EDA), реальная ценность ИИ проявляется в конкретных и зачастую рутинных задачах. Одни из самых значительных выигрышей, по его словам, приходятся на нижний уровень процесса – задачи, где инженерам ранее приходилось интерпретировать неформальные спецификации на естественном языке и переводить их в формальные описания для инструментов.
В качестве примера Марков привёл сети питания и заземления – сложные паутины металлических дорожек, подводящих электричество по всему чипу.
Их иногда проектируют просто с описаниями на естественном языке. Люди описывают геометрию, затем она реализуется, и в какой-то момент нужно формализовать описание. Этот шаг выполнялся вручную, и его довольно просто автоматизировать с помощью ИИ.
Выигрыш в производительности не колоссальный – раньше это занимало пару дней, теперь – пару часов. Но это всё равно лучше, чем ничего, даже если результат по-прежнему нуждается в проверке.
Учёные создали электронику, работающую от абсолютного нуля до 500 градусов – идеально для космоса и квантовых компьютеров
ИИ-агент спроектировал процессор RISC-V по ТЗ из 219 слов за 12 часов
Наибольший оптимизм Марков испытывает в отношении того, что он называет "агентным пространством" – высокоуровневой оркестрации процессов проектирования чипов, включая решения о том, обречён ли текущий прогон или нужно перезапустить весь процесс с нуля.
Если вы умножаете ноль на что-то, получаете ноль. Но если у вас уже есть что-то приличное, то такой высокоуровневый контроль может быть чрезвычайно полезным.
Даже самые консервативные уголки индустрии начинают задумываться о внедрении ИИ. Аналоговое проектирование долгое время считалось последним бастионом человеческого мастерства, но исследователи уже создают генеративные ИИ-системы вроде AnalogGenie, использующей GPT-подобную модель для открытия новых топологий схем. Принстонский университет разработал ИИ-систему для исследования пространства проектирования и сквозного синтеза усилителей мощности миллиметрового и субтерагерцового диапазонов, работающих на частотах от 30 до 120 ГГц.
Именно в этих областях то, что часто считается слабостью ИИ – отсутствие собственных знаний и "мышечной памяти" – превращается в преимущество. Люди при переносе дизайна с одного техпроцесса на другой склонны предполагать, что старая топология должна быть близка к оптимальной для нового.
У ИИ может не быть таких барьеров.
– Николич
Впрочем, определённая осторожность необходима. ИИ можно натренировать блестяще справляться с демонстрациями, но при этом он может провалиться на более запутанных задачах, с которыми инженеры сталкиваются на практике.
Работает ли то, что сработало в пяти случаях, в общем случае и позволяет ли вам внедрять инновации – вот ключевой вопрос.
– Марков
Существует и проблема постановки задачи. Попросите модель спроектировать лучший чип для ИИ, и без формальной, однозначной спецификации того, что значит "лучший", модель выдаст что-то – или что угодно.
Марков также напомнил, что каждый предыдущий скачок в автоматизации проектирования вызывал аналогичные дебаты о том, могут ли машины действительно думать. Алгоритмы кратчайшего пути для трассировки проводников, когда-то считавшиеся исключительно человеческой способностью, стали учебным материалом для студентов. Алгоритмы размещения теперь регулярно превосходят людей-проектировщиков. Логический синтез, который считался слишком абстрактным для автоматизации, обрабатывается циклами и условными операторами.
EDA всегда была разновидностью ИИ, ведь она автоматизировала то, что делали люди. Мы просто движемся по прямой линии, и остановки не будет.
На данный момент ИИ действует как мультипликатор силы, выжимая больше результатов из команд, а не сокращая их, отметил Марков. Состав этих команд и требуемые навыки тоже меняются – инженеры, свободно владеющие ИИ-ассистентами для написания кода, сейчас востребованы так, как не были ещё полгода назад.
Парадокс Джевонса тоже маячит на горизонте. По мере того как ИИ делает определённые этапы проектирования радикально дешевле и быстрее, Николич ожидает, что инженеры используют высвободившиеся ресурсы для исследования территорий, на которые раньше не решались ступить. В том числе – для проектирования тех самых ИИ-чипов, которые движут весь этот цикл.
Если какой-то класс кремниевых решений и созрел для оптимизации, которая ещё не была систематически изучена, то, по мнению Маркова, это высокоструктурированные, критичные по производительности ускорители, питающие нынешний бум.
Есть масса возможностей для людей улучшать другие части процесса проектирования, делая его более пригодным для этих ИИ-систем.
По мере развития моделей будут расти и их способности помогать в разработке чипов.
Об авторе
