פרופ' פרדי גבאי מהאוניברסיטה העברית מציג גישה שבה AI משמשת “טייס משנה” לכלי EDA : זיהוי מוקדם של בעיות אמינות, האצת סימולציות וחיזוק הקשר בין האקדמיה לתעשיית השבבים
פרופ' פרדי גבאי, חבר סגל במכון להנדסת חשמל ופיזיקה יישומית באוניברסיטה העברית, יציג בכנס ChipEx2026 בתל אביב עבודה מחקרית העוסקת בשילוב בינה מלאכותית בתוך תהליך תכנון השבבים. גבאי הגיע לאקדמיה לאחר 27 שנים בתעשייה, בעיקר בתחום השבבים. רוב שנותיו בתעשייה עברו עליו במלנוקס (כיום Nvidia), שבה היה חלק מהצוותים הראשונים של החברה. בתפקידו האחרון שימש סמנכ"ל פיתוח שבבים וסמנכ"ל Back-End. בשנתיים האחרונות הוא חוקר באוניברסיטה העברית, ובשנה האחרונה הקים בה את VLSI Systems Research Lab – מעבדה לפיתוח ולמחקר מערכות VLSI.
המעבדה, שאותה מוביל גבאי יחד עם שרית שוימר, בכירה לשעבר באינטל עם 27 שנות ניסיון בתעשייה וכיום מנהלת המעבדה ושותפה למחקר, מונה כיום כעשרה סטודנטים לתואר שני ושלישי. תחומי המחקר שלה משקפים את המעבר של תעשיית השבבים לעידן שבו הביצועים לבדם אינם מספיקים. המעבדה עוסקת בארכיטקטורות מחשב, מאיצים חישוביים ל-Generative AI ול-Agentic AI, תכנון פיזי של שבבים, אמינות, הזדקנות טרנזיסטורים וכלים מבוססי AI שמטרתם לסייע למהנדסים בשלבי התכנון והאימות.
לדברי פרופ' גבאי, אחד מכיווני המחקר המרכזיים במעבדה הוא חישובים מקורבים (approximate computing). במקום לבצע כל פעולת כפל מטריצות בדיוק מלא, החוקרים מנצלים את העובדה שמודלי AI רבים עמידים לרעש ולשגיאות קטנות. גישה זו יכולה לחסוך שטח סיליקון, להאיץ ביצועים ולהפחית צריכת אנרגיה, תוך פגיעה קטנה יחסית בדיוק המודל. כיוון נוסף עוסק בהתמודדות עם “קיר הזיכרון” – צוואר הבקבוק שנוצר כאשר הגישה לזיכרון נעשית יקרה בהרבה מהחישוב עצמו מבחינת זמן ואנרגיה. כאן בוחנת המעבדה שימוש בדחיסה מאבדת מידע, שמקטינה את נפח הנתונים הנשמרים בזיכרון ואת רוחב הפס הנדרש לגישה אליהם.
העבודה שתוצג ב ChipEx2026 -אשר נעשתה יחד עם הסטודנטים עידו פרחומובסקי, מוחמד עומרי ואיתי יונתנוב, מתמקדת באתגר אחר, אך קשור: אמינות שבבים בשלבי התכנון הפיזי. אחת התופעות הקריטיות בשבבים מתקדמים היא Dynamic Voltage Drop – נפילת מתח דינמית בתוך השבב. כאשר אלמנטים לוגיים רבים מתמתגים בו־זמנית, הם מושכים זרם מרשת האספקה של השבב. מכיוון שברשת האספקה ובאריזת השבב קיימות התנגדות והשראות, משיכת הזרם גורמת לנפילת מתח מקומית. ירידה זו אינה משפיעה רק על התא הלוגי שמתמתג, אלא גם על סביבתו, ועלולה לגרום להאטה בתזמון, לשגיאות חישבויות ולבעיות אמינות.
בתהליכי הפיתוח המקובלים, בעיות מסוג זה נבדקות באמצעות סימולציות כבדות בכלי EDA. אלה כלים מדויקים, אך הרצתם עשויה להימשך ימים ואף שבועות. בעיה נוספת היא שהתהליך מתבצע לעיתים בשלבים מאוחרים מאוד, סמוך ל-.tapeout אם מתגלות בעיות בשלב זה, חלון הזמן לתיקון מצטמצם מאוד, והתיקון עלול להיות יקר ומורכב.
הפתרון שמציגים גבאי והסטודנטים במעבדתו הוא מודל מבוסס AI, שאומן על בסיס מערך נתונים גדול ונועד לזהות מוקדם אזורים בעייתיים מבחינת נפילות מתח דינמיות. לדברי גבאי, לאחר שלב האימון זמן הריצה של המודל מהיר פי 25 אלף לעומת הרצה מלאה בכלי סימולציה סטנדרטי, והדיוק שלו מגיע לכ-94%. המודל אינו מחליף את כלי ה- EDA ואינו מבטל את הצורך בסימולציות סופיות, אך הוא מאפשר למהנדסים לאתר מוקדם את הבעיות המרכזיות, למקד את הריצות הכבדות ולהקטין את הסיכון להפתעות בשלב ה- sign-off.
סיוע למהנדס, לא החלפתו
גבאי מתאר את הגישה הזו כ-AI Core Pilots – טייסי משנה מבוססי בינה מלאכותית לכלי EDA . הדגש הוא על סיוע למהנדס, לא על החלפתו. בעולם שבו תכנון שבב מתקדם מייצר כמויות עצומות של לוגים, סימולציות ונתוני תכנון, חלק מהמידע הזה יכול להפוך לחומר גלם לאימון מודלים פנימיים. חברות שבבים, לדבריו, אינן חייבות להמתין עד שכל היכולות האלה ישולבו בכלים המסחריים. הן יכולות לפתח כבר כיום יכולות פנימיות, מבוקרות וממוקדות, שיזהו מוקדם בעיות חוזרות ויקצרו תהליכי פיתוח.
עם זאת, כניסת AI לתהליך תכנון השבבים אינה מפחיתה את הצורך במהנדסים בעלי עומק מקצועי. להפך. כאשר מודל מסמן אזור בעייתי או מציע תיקון, המהנדס חייב להבין אם ההמלצה נכונה, האם היא רלוונטית למבנה השבב ומה המשמעות שלה מבחינת תזמון, שטח, הספק ואמינות. לכן גבאי מדגיש גם את חשיבות האקספלנביליות (Explainable AI) – היכולת של מערכת AI להסביר מדוע סימנה בעיה מסוימת או מדוע המליצה על פעולה מסוימת. בתהליכי תכנון קריטיים, שבהם נדרשים אחריות, בדיקות והוכחת תקינות, כלי AI שאינם ניתנים להסבר יתקשו להשתלב באופן מלא.
הזווית הרחבה יותר של העבודה קשורה גם למקומה של האקדמיה בהכשרת כוח האדם לתעשיית השבבים. לדברי גבאי, תחום השבבים וה-VLSI מתפתח כיום באוניברסיטה העברית בצורה משמעותית. במכון להנדסת חשמל ופיזיקה יישומית לומדים כ-600 סטודנטים לתואר ראשון, ולצידם יותר מ-100 סטודנטים לתארים מתקדמים. המעבדה החדשה מבקשת למצב את עצמה כאחת המעבדות המובילות בארץ בתחום, והיא מקיימת שיתופי פעולה עם מעבדות נוספות בישראל ובעולם.
שיתופי הפעולה עם התעשייה הם חלק מרכזי במודל הפעולה של המעבדה. גבאי מציין כי המעבדה מצוידת בין היתר בטסטר שהתקבל כתרומה מחברת Teradyne וכי מודלי ה-AI שלה רצים על שרת DGX של אנבידיה שניתן למעבדה. נוסף על כך מתקיימים שיתופי פעולה הדוקים עם קיידנס וסינופסיס, הן במחקר והן בהכשרה אקדמית. חברות נוספות המעורבות בשיתופי פעולה או בתמיכה במחקר ובהכשרה כוללות את סמסונג, אינטל, Altera, אפל, RubyEDA וחברות נוספות בתעשייה.
המסר של גבאי לתעשייה הוא שהצורך בכוח אדם עמוק ומיומן רק הולך וגובר. תעשיית השבבים אינה זקוקה רק למהנדסים שמכירים את הכלים, אלא למהנדסים שמבינים את עקרונות התכנון, הפיזיקה, האמינות והאלגוריתמיקה שמאחורי הכלים. המעבדה באוניברסיטה העברית מבקשת למלא בדיוק את התפקיד הזה: להכשיר דור חדש של מהנדסים וחוקרים שמסוגלים לעבוד בחזית שבין סיליקון, כלי תכנון ובינה מלאכותית.
העבודה של גבאי ומעבדתו ממחישה כיוון רחב יותר בתעשייה: AI כבר אינה רק עומס עבודה שרץ על שבבים מתקדמים. היא מתחילה להפוך לכלי עבודה בתוך תהליך התכנון של אותם שבבים. אם בעשור האחרון תעשיית השבבים בנתה את התשתית למהפכת הבינה המלאכותית, בשנים הקרובות צפויה הבינה המלאכותית להשפיע יותר ויותר גם על הדרך שבה מתכננים, מאמתים ומייצרים את הדור הבא של השבבים.
