ИИ освоил проектирование процессоров уровня старых смартфонов

Машинное обучение и алгоритмы оптимизации давно стали частью систем автоматизированного проектирования. Прежде их применяли главным образом на финальных этапах: для размещения элементов на кремниевой подложке и трассировки соединений. Теперь исследователи стремятся поручить нейросетям более сложную задачу — создание микроархитектуры процессора.

На международном форуме WLA соучредитель исследовательской группы Чэнь Юньцзи представил результаты работы над процессорами, внутренняя логика которых создавалась без написания исходного кода человеком. По его словам, современные генеративные модели уже позволяют получать решения на уровне мобильных процессоров десятилетней давности. Рассмотрим, как это работает.

Сложности проектирования

Создание процессорной логики требует исключительной точности. В чипе, работающем на частоте в несколько сотен мегагерц и выполняющем миллиарды операций в секунду, ошибка в конвейере команд или блоке предсказания переходов может сделать всю схему неработоспособной.

Разработка процессора исключительно с помощью генеративных алгоритмов осложняется огромным числом возможных сочетаний регистров, шин, логических вентилей и стадий конвейера. Кроме того, алгоритм не способен с первой попытки создать готовый процессор, а проверить полученную схему вручную с помощью обычных тестов практически невозможно.

Команда Чэня создала замкнутую систему, в которой генератор архитектур формирует логические блоки, а встроенная среда автоматического тестирования проверяет их математическую корректность и устраняет несоответствия сотни раз в секунду. В 2021 году этот подход позволил получить экспериментальный чип Qimeng-1. По быстродействию и плотности команд он был сопоставим с Intel486™ 1990-х годов. К 2025 году его преемник, Qimeng-2, существенно продвинулся вперед: синтезированные схемы достигли производительности центральных процессоров смартфонов середины 2010-х годов.

Аналогичный анализ исследователи применили к алгоритмам машинного обучения. Изучив более ста распространенных нейросетевых моделей, они выделили повторяющиеся операции, прежде всего базовые матричные и тензорные вычисления. На их основе разработчики сформировали систему команд, архитектуру которой впоследствии лицензировали для создания первых коммерческих вычислительных ускорителей.

Обратное проектирование

На форуме нобелевский лауреат Константин Новоселов рассказал о том, как алгоритмы прогнозируют свойства двумерных материалов на атомном уровне. Такой подход значительно сокращает область поиска новых полупроводников. Вместе с тем ученый указал на его ограничения: моделирование часто опирается на идеальные кристаллические решетки кремния или железа, тогда как в реальных материалах неизбежно присутствуют примеси, микропустоты и структурные дефекты.

Для решения прикладных задач все чаще прибегают к обратному проектированию. Вместо случайного перебора компонентов инженеры сначала определяют нужные свойства: механическую прочность, стойкость к окислению, пластичность при обработке и качество полировки. Затем алгоритм подбирает оптимальный химический состав сплава и параметры термообработки. Таким способом, например, разрабатывали специальный сплав для корпуса Apple Watch, которому требовались устойчивость к царапинам и высокая точность фрезеровки.

Цифровые двойники на полупроводниковых производствах

На фабриках микросхем настройка таких процессов, как плазменное травление канавок и осаждение тонких пленок на пластины, занимает много времени. Пробные запуски на реальном оборудовании обходятся дорого, поэтому его производители обращаются к виртуальному моделированию.

Собственный сервер Selectel

В основе сервера — современные процессоры Intel^® Xeon^® 6, до 8 ТБ памяти DDR5 и специально разработанная материнская плата. Арендуйте сервер у нас или закажите его для своего дата-центра.

Узнать подробнее →

Lam Research применяет цифровые модели с нейросетевыми симуляторами, благодаря которым расчет процессов травления ускоряется до 30 раз. Applied Materials анализирует характеристики кремниевых пластин непосредственно во время обработки, оценивая свыше миллиона трехмерных профилей поверхности в час. Производители оборудования связывают реальные рабочие камеры с виртуальными копиями. Это помогает компенсировать колебания температуры и давления, оптимизировать перемещение пластин роботами-манипуляторами и заблаговременно выявлять износ форсунок и электродов.

Отдельные аналитические агенты занимаются поиском причин брака и анализом отказов микросхем. Скрытые микродефекты, на обнаружение которых под электронным микроскопом инженеры тратили сотни рабочих часов, алгоритмы локализуют менее чем за шесть часов.

Автоматический синтез логики пока не способен заменить ведущих инженеров-архитекторов при разработке флагманских чипов. Однако он уже обеспечивает полный цикл создания и проверки относительно простых вычислительных ядер. В сочетании с синтезом материалов и контролем производственного оборудования этот подход становится полноценным инструментом полупроводниковой отрасли.

Как вы оцениваете перспективы полной автоматизации разработки микроэлектроники? Смогут ли генеративные модели в сочетании со средствами быстрой верификации в обозримом будущем догнать современные серверные архитектуры или труд инженеров останется незаменимым? Поделитесь мнением и опытом работы с САПР в комментариях.

Источник