در اواخر ماه اوت، شرکت آرکیتکت لبز (Architect Labs) مدعی شد که توانسته است تراشهای را طراحی کند که تقریباً به طور کامل توسط هوش مصنوعی (AI) توسعه یافته است؛ دستاوردی که برای نخستین بار در صنعت رخ میدهد. هوش مصنوعی در حال حاضر برای بهینهسازی چیدمان کف، جانمایی و مسیریابی، تأیید اعتبار و سایر مراحل توسعه نیمههادیها مورد استفاده قرار میگیرد. هوش مصنوعی مولد میتواند به مهندسان در زمینه کدهای RTL کمک کند، در حالی که سیستمهای عاملی نوظهور میتوانند ابزارهای اتوماسیون طراحی الکترونیک (EDA) را اداره کنند، نتایج را تحلیل نمایند، مشکلات را شناسایی کنند، طراحیها را تغییر دهند و این فرآیند را با دخالت انسانی بهطور فزایندهای کمتر تکرار کنند. در همین حال، مهندسان انسانی همچنان معماریها را تعریف و توسعه میدهند و تصمیمات طراحی اساسی را اتخاذ میکنند که تعیین میکند یک تراشه چه کاری انجام میدهد و چگونه کار میکند.
این امر یک حلقه بازخورد کنجکاوکننده ایجاد میکند. مدلهای هوش مصنوعی امروزی روی پردازندههایی اجرا میشوند که توسط مهندسان انسانی و با کمک فزاینده هوش مصنوعی طراحی شدهاند؛ سپس همان مدلها میتوانند به طراحی پردازندههای توانمندتر برای نسل بعدی سیستمهای هوش مصنوعی کمک کنند. از آنجا که فروشندگان EDA و شرکتهای نیمههادی کنترل بخشهای فزایندهای از فرآیند طراحی را به هوش مصنوعی واگذار میکنند، صنعت به تدریج از استفاده انسانها از ابزارهای هوش مصنوعی برای طراحی تراشهها به سمت مشارکت سیستمهای هوش مصنوعی در طراحی سختافزاری که نسلهای بعدیشان روی آن اجرا خواهند شد، حرکت میکند.
آیا ماشینها واقعاً امروز میتوانند ماشینها را طراحی کنند؟ احتمالاً خیر. اما آیا در آینده قادر به انجام این کار خواهند بود؟ این یک سوال بزرگ با پیامدهای مهم است و مهندسان بیش از آنچه فکرش را بکنید روی آن تمرکز کردهاند.
تاریخچه کوتاهی از هوش مصنوعی در توسعه تراشه
شرکتهای کیدنس (Cadence)، ساینپسیس (Synopsys) و زیمنس ایدیای (Siemens EDA) که همگی از توسعهدهندگان پیشرو نرمافزارهای EDA هستند، در کنار آنسیس (Ansys) - طراح پیشرو نرمافزارهای شبیهسازی - نسخههای مجهز به هوش مصنوعی ابزارهای خود را در اوایل دهه ۲۰۲۰ و پیش از آنکه طوفان هوش مصنوعی مولد جهان را فرا گیرد، روانه بازار کردند.
نسخه اول نرمافزار EDA مجهز به هوش مصنوعی عمدتاً از یادگیری ماشین (ML) و یادگیری تقویتی (RL) برای حل مشکلات بهینهسازی کاملاً تعریفشده استفاده میکرد. با توجه به یک طراحی موجود، مجموعه ای از محدودیتها و اهداف خاص، این ابزارها میتوانستند گزینههای پیادهسازی متعددی را برای بهینهسازی جانمایی و مسیریابی و در نتیجه توان، عملکرد و مساحت (PPA) و در عین حال کاهش زمان توسعه بررسی کنند. اساساً، هوش مصنوعی میتواند راه بهتری برای پیادهسازی یک طراحی پیدا کند، اما خود طراحی و اهداف آن همچنان توسط مهندسان تعریف میشد.
یکی از مزایای کلیدی این ابزارها توانایی آنها در یادگیری از اجراهای قبلی و استفاده از دادههای انباشته برای هدایت اکتشاف فضای طراحی بعدی بود؛ چیزی که میتواند تعداد تکرارهای مورد نیاز برای رسیدن به اهداف PPA را کاهش دهد و در برخی موارد، نتایجی را ایجاد کند که با روشهای معمولی به زمان مهندسی قابل توجهی نیاز داشت. با این حال، استقلال این ابزارها محدود است، زیرا مهندسان محدودیتها را تعریف میکنند، جریانها را پیکربندی میکنند، ابزارهای فردی را اجرا میکنند، خروجی آنها را تجزیه و تحلیل میکنند و تصمیم میگیرند که چه کاری را امتحان کنند. هوش مصنوعی مراحل خاصی از توسعه تراشه را تسریع یا بهینهسازی میکند، اما انسانها همچنان جریان کلی طراحی را کنترل میکنند. و این روند با نسلهای جدیدتر در حال تغییر است.
جدیدترین ابزارهای EDA مجهز به هوش مصنوعی به طور قابل توجهی جاهطلبانهتر هستند. هوش مصنوعی مولد میتواند کدهای RTL و تأیید اعتبار را بنویسد یا تغییر دهد، گزارشها را تجزیه و تحلیل کند، نقاط ضعف بالقوه را شناسایی کند و حتی اصلاحاتی را پیشنهاد دهد. در همین حال، سیستمهای عاملی نوظهور میتوانند چندین ابزار EDA را اجرا کرده و توالیهای وظایف مهندسی را با دخالت بسیار محدود انسانی انجام دهند. چنین عاملی میتواند نتایج را تجزیه و تحلیل کند، یک طراحی یا پارامترهای آن را تغییر دهد، شبیهسازی یا اجرای پیادهسازی دیگری را راهاندازی کند، نتیجه را ارزیابی کند و فرآیند را تا رسیدن به اهداف مشخصشده تکرار کند. در نتیجه، هوش مصنوعی به تدریج از بهینهسازی مراحل فردی درون ابزارهای EDA به سمت خودکارسازی بخشهایی از خود چرخه توسعه تراشه در حال حرکت است.
از انفجار بزرگ تا معماریها
در سالهای ۲۰۲۳ تا ۲۰۲۴، شرکتهای کیدنس (Cadence) و ساینپسیس (Synopsys) اعلام کردند که صدها طراحی تراشه با استفاده از ابزارهای هوش مصنوعی Cadence.ai DSO.ai/VSO.ai/TSO.ai تکمیل شدهاند. علاوه بر این، شرکتهای پیشرو با فناوری پیشرفته جزئیاتی را در مورد نحوه استفاده از هوش مصنوعی برای تکمیل پروژههای خود فاش کردند. با این حال، قرار دادن گوگل (Google)، انویدیا (Nvidia)، اوپنآی (OpenAI) و آرکیتکت لبز (Architect Labs) در یک دسته درست نیست، زیرا آنها نشاندهنده درجات مختلفی از مشارکت هوش مصنوعی در توسعه تراشه هستند.
شرکت گوگل (Google)، که جزو نخستین غولهای فناوری بود که استفاده از هوش مصنوعی را برای توسعه شتابدهندههای هوش مصنوعی خود اعلام کرد، به نظر میرسد کمترین رادیکال را دارد. ابزار آلفاچیپ (AlphaChip) شرکت گوگل عمدتاً از یادگیری تقویتی برای برنامهریزی فیزیکی طبقات استفاده میکند: بلوکهای مدار را قرار میدهد و طرحبندیها را بهینهسازی میکند، اما کل طراحی یا خود معماری را ابداع نمیکند. گوگل دیپمایند (Google DeepMind) در سال ۲۰۲۴ اعلام کرد که AlphaChip برای سه نسل قبلی TPUها استفاده شده است، به این معنی که گوگل با ابزارهای خود بسیار جلوتر از صنعت عمومی EDA بوده است. (این شرکت از آن زمان تاکنون پیشرفت AlphaChip را به تفصیل به اشتراک نگذاشته است.)
شرکت انویدیا (Nvidia) جذابتر است زیرا سیستمهای هوش مصنوعی داخلی آن تمایل دارند کارهایی را که سنتی توسط مهندسان سختافزار انجام میشد، خودکار کنند. تمایز مهم این است که انویدیا مدلهای تخصصی را روی RTL، اسناد و دانش مهندسی انباشته منحصربهفرد خود آموزش میدهد، چیزی که یک فروشنده تجاری EDA نمیتواند به آن دسترسی داشته باشد. این امر انویدیا را به نمونهای از یک طراح تراشه تبدیل میکند که دادههای مهندسی پشت پردازندههای گرافیکی اختصاصی خود و اخیراً شتابدهنده هوش مصنوعی، CPU، DPU و کارتهای شبکه را به دادههای آموزشی برای هوش مصنوعی تبدیل میکند. با این حال، خود انویدیا خط مشخصی بین اتوماسیون خود و طراحی مستقل تراشه ترسیم میکند.
تراشه هالوپینو (Jalapeño) شرکت اوپنآیاس (OpenAI) احتمالاً قویترین نمونه سیلیکونی واقعی است که در حال حاضر داریم. اوپنآی میگوید هوش مصنوعی مستقیماً در پیادهسازی، اکتشاف فضای طراحی، حلقههای تأیید و بهینهسازی مدار حسابی مشارکت داشته است که این شرکت را قادر ساخته است در عرض نه ماه از طراحی اولیه به تولید نهایی (tapeout) برسد. در کنفرانس هات چیپس (Hot Chips)، اوپنآی برخی از مزایای ملموس PPA را فاش کرد: در مقایسه با استانداردهای انسانی، طراحیهای کمکشده با هوش مصنوعی یک ضربکننده BF16 را ۵۶ درصد، یک بلوک ضرب داخلی FP4 را ۲۱ درصد و یک انباشتهگر FP32 را ۱۰ درصد بهبود بخشیدند، در حالی که مساحت ماتریس و واحدهای SIMD را به ترتیب ۱۰ و ۸ درصد کاهش دادند.
اوپنآی نگفته است که هوش مصنوعی معماری Jalapeño را ابداع کرده است، بنابراین انسانها در واقع مسئول آن باقی ماندهاند. اما هوش مصنوعی به طور گستردهای برای تبدیل آن معماری به سیلیکون و بهینهسازی آن استفاده شد... که ما را به آرکیتکت لبز (Architect Labs) میرساند.
در واقع، ردود (Redwood) شرکت آرکیتکت لبز از نظر کیفی متفاوت است. دو معمار انسانی مشخصات را تعریف کردند، پس از آن آرکیتکت لبز میگوید هوش مصنوعی آن به طور مستقل منطق را تولید و تأیید کرد، RTL را تولید نمود، آن را تأیید کرد و میانافزار را ساخت. علاوه بر این، هوش مصنوعی همچنین به توسعه نرمافزار، از جمله درایورها و هستهها کمک کرد. در همین حال، برخلاف گوگل، انویدیا و اوپنآی، این شرکت صراحتاً سیستم خود را به عنوان سیستمی توصیف میکند که طراحی همزمان یادگیری ماشین را انجام میدهد و میگوید میتواند معماریها را بررسی کند، البته بدون توضیح بیشتر.
تراشه Redwood در کمتر از دو هفته «تولید» شد و مدلهایی با بیش از یک میلیارد پارامتر را اجرا میکند، اما یک هشدار بزرگ وجود دارد: این تراشه به مرحله تولید نهایی نرسیده است. این تراشه هرگز به عنوان یک ASIC واقعی تولید نشده است؛ شتابدهنده روی یک FPGA اجرا میشود و ادعای مزیت ۳.۴ برابری عملکرد بر وات نسبت به Jetson Orin Nano انویدیا مبتنی بر یک طراحی پیشبینیشده سامسونگ 8LPP است.
سخن پایانی
فقط چند سال پیش، هوش مصنوعی در توسعه نیمههادیها تا حد زیادی یک فناوری بهینهسازی بود که به مهندسان کمک میکرد راههای بهتری برای پیادهسازی طرحهای ایجاد شده توسط انسانها پیدا کنند. امروز، هوش مصنوعی میتواند RTL را تولید کند، طراحیها را تأیید کند، ابزارهای EDA را اجرا کند و حتی انتخابهای معماری را بررسی کند، اگرچه انسانها همچنان تعیین میکنند که در نهایت چه چیزی ساخته شود.
بنابراین ما به طراحی ماشینها توسط ماشینها به طور قابل توجهی نزدیکتر شدهایم، اما هنوز به نقطه تکین (singularity) نزدیک نشدهایم. در حال حاضر، تراشهها در حال کمک به طراحی نسلهای بعدی خود هستند. اما آنها حتی به تصمیمگیری در مورد اینکه آن نسلهای بعدی چه چیزی باید باشند، نزدیک هم نیستند.
منبع: tomshardware.com