ההתמקדות בבניית שבבים מהירים ויעילים היא היום האתגר המעסיק את כל החברות המרכזיות בפיתוח שבבים כמו אנבידיה, אינטל  ו-AMD . כולן מתחרות על יצור כוח מיחשוב ועיבוד שיספק את הדרישה ההולכת וגוברת של עסקים ליכולות בינה מלאכותית. לעומתן ענקיות מחשוב ענן כמו גוגל ואמזון, בחרו לתכנן שבבי AI משלהן, והימרו על כך שהחומרה שיפתחו בעצמם תהיה מהירה יותר ויקרה פחות להפעלה מאלו של המתחרים.

גוגל היא כיום שחקנית חשובה בפיתוח שבבים לצרכיה הפנימים והיא זו הבוחנת את השימוש בפריצות הדרך האחרונות בתחום הבינה המלאכותית כדי לשפר את שבבי ה-AI המותאמים אישית שלה, הנקראים Tensor Processing Units או בקיצור TPUs. אנשי החברה מאמינים כי בינה מלאכותית המשפרת  תחומים כגון קומפוזיציה, הבנה, קידוד ורובוטיקה, יכולה לסייע לה גם בתכנון השבבים עצמם.

DeepMind הלונדונית (נרכשה ע"י גוגל ב-2014 בתמורה ל 650 מליון דולר) חשפה לאחרונה מערכת בינה מלאכותית היכולה לגלות אלגוריתמים מהירים יותר במטרה להיעזר בטכניקות בינה מלאכותית כמו למידה עמוקה כדי להפוך מערכות מחשוב – ממשאבי רשת ועד מרכזי נתונים ושבבים – ליעילות יותר ועמידות יותר. לדברי ד"ר וינוד נאיר חוקר ב-DeepMind. "ככל שהחברה הופכת ליותר ויותר דיגיטלית, אנחנו צריכים יותר ויותר שבבים חזקים, ויותר ויותר שבבים יעודים ליישומים ממוקדים".

החשיבה המסורתית בשיפור ביצועי השבב מסתמכת על חוק מור, שבו בערך כל שנתיים מספר הטרנזיסטורים בשבב מוכפל. אבל כמה מומחים אומרים שכאשר טרנזיסטורים מגיעים לגבולות הפיזיים שלהם, רווחי הביצועים יגיעו  מתכנון שבבים מיוחדים יותר. יישומים כמו ChatGPT, רחפנים ומכוניות אוטונומיות פועלים כבר היום בעזרת שבבים ממוקדי משימה כמו מעבדי אותות דיגיטליים (DSP) והמעבדים הגרפיים הנחשקים של אנבידיה.

הגישה המבוססת על בינה מלאכותית של DeepMind, שעליה החלה לעבוד לפני כ-18 חודשים, מתמקדת בביצוע שיפורים כבר בסינתזה הלוגית, שלב תכנון שבבים הכולל הפיכת תיאור התנהגות המעגל למעגל בפועל. שבבי מחשב מורכבים ממיליוני מעגלים לוגיים או "אבני בניין", אומר סרג'יו גואדארמה, מהנדס תוכנה בכיר ב-DeepMind. למרות שקל לבצע אופטימיזציה של כמה מהם באופן ידני, אי אפשר להתמודד עם מיליונים מהם".

צוותDeepMind  מאמין כי ע"י שימוש בבינה מלאכותית ניתן יהיה להאיץ את התכנון של מעגלים לוגיים, ולהפוך את התכנון של שבבים מיוחדים לאוטומטיים יותר, יעילים יותר ותלוים פחות בעבודתם של מהנדסי חומרה אנושיים. ההבדל הוא תהומי אומר גוואדררמה "מדובר בהבדל של אלפי תכנונים שנוצרו על ידי בינה מלאכותית בשבוע אחד, בהשוואה לתכנון אחד בלבד המופק על ידי אדם במהלך מספר שבועות".

המפתח לפריצת הדרך של DeepMind הוא השימוש שלה בלמידה עמוקה, טכניקה לסיווג דפוסים באמצעות מערכי אימון גדולים ((LLM ורשתות עצביות של בינה מלאכותית – במילים אחרות, שיטה המאפשרת למכונות ללמוד מנתונים המתוכננים באופן רופף בדומה לדרך שבה המוח האנושי לומד לפתור בעיות. מעבדת הבינה המלאכותית יישמה את אותה טכניקה בביולוגיה, והגיעה לשיאה בהכרזה בשנה שעברה כשהכריזה שהאלגוריתם שלה AlphaFold חזה את המבנה של כמעט כל החלבונים הידועים.

לצורך תכנון שבבים, DeepMind השתמשה בגישה שהיא מכנה "רשתות עצביות במעגל", המאפשרת לחוקרים "לתכנן את הבעיה כך שנראה כאילו אנחנו מאמנים רשת עצבית, אבל למעשה אנחנו מתכננים מעגל", אמר ד"ר נאיר.

בחודש שעבר, הגישה של DeepMind זכתה בתחרות תכנות שארגן פרופ' אלן מישצ'נקו, מאונב' קליפורניה, ברקלי והתמקדה בפיתוח מעגלים קטנים יותר בהפרש משמעותי – הדגימה שיפור יעילות של 27% לעומת הזוכה בשנה שעברה, ושיפור יעילות של 30% לעומת הזוכה במקום השני השנה.

התוצאות של צוות DeepMind היו מעין "רגע אאוריקה", מה שמצביע על כך שלסינתזה לוגית יש התקדמות נוספת, כך ציין מישצ'נקו, שמחקרו מתמקד בסינתזה לוגית יעילה מבחינה חישובית. בדומה לפריצות דרך מדעיות אחרות, מישצ'נקו אמר כי סביר להניח שתוך מספר שנים, חוקרים ואקדמאים ישתמשו בתוצאות של DeepMind כדי לדחוף את התחום קדימה.

דיוויד פאן, פרופסור להנדסת חשמל ומחשבים באוניברסיטת טקסס באוסטין ויועץ של X, חברת Alphabet, אמר כי "בעוד שקיימים כלי אוטומציה תכנוניים המאיצים ומסייעים לתכנון שבבים, כלים כאלה עדיין רחוקים מלהיות אופטימלים והתוצאות של DeepMind, למרות שהן מתמקדות רק בהיבט קטן של תכנון שבבים, הן שלב בסיסי ומבטיח בכל התהליך של יצירת שבב.

הפוסט <strong>האם ניתן לשפר את תכנון השבבים בעזרת בינה מלאכותית: גוגל מאמינה שכן</strong> הופיע לראשונה ב-Chiportal.

מעבדת המחקר של יבמ בחיפה משתתפת בקונסורציום מחקר במימון הקהילה האירופית, לשיפור רמת הפריון והאמינות של תהליכי התכנון של מוליכים למחצה, שבבי מחשב ומערכות אלקטרוניות.

פרוייקט דיאמונד (Diamond) המשלב חברות מובילות בתעשייה יחד עם אוניברסיטאות וגופי מחקר אקדמי, יעשה שימוש במתודולוגיה סיסטמתית וסביבת עבודה משולבת, על מנת לאבחן ולתקן טעויות תכנון של שבבי מחשב.

תהליכי התכנון של שבבי מיקרו-אלקטרוניקה מאופיינים במחיר גבוה המאיים על המשך הצמיחה של התעשייה. הפער ההולך וגדל בין מורכבות המערכות החדשות ובין רמת הפריון המוגבלת של שיטות התכנון הקיימות דורש פיתוח כלים חדשים ושיטות חדשות ויעילות יותר לתכנון השבבים.

הגישה המשולבת החדשה לאתר ולתקן באגים בכל רמות ההפשטה והתיאור של השבב – החל מתהליך ההגדרה הבסיסי, דרך היישום ועד לתכנון הסיליקון עצמו. טיפול בשרשרת השלמה יאפשר לפתרון החדש לנצל את היתרונות הגלומים באבחון הירארכי ותיקון מגוון רחב של מקורות לטעויות אפשריות.

סינדי אייזנר חברת צוות בכירה במעבדת המחקר של יבמ בחיפה השותפה לקונסורציום החדש, קבעה כי "הדיוק בתכנון, המהווה כבר כיום את אחת הבעיות העיקריות בתהליך הבניה של שבבים חדשים, הופך להיות קשה עוד יותר להשגה. אם ברצוננו להמשיך ולהאיץ את תהליכי התכנון, חייבות טכנולוגיות טובות יותר לאיתור באגים לעמוד במרכז סדר היום של עולם המחקר והפיתוח".

70% מעבודת התכנון המתבצעת כיום בעולם השבבים מוקדשת למשימות אימות תכנון וניפוי באגים. שני שלישים מהעבודה הזאת מוקדשים לגילוי ולאיתור מקור הבעייה – לפני שאפשר יהיה לתקנה. איום נוסף על התעשייה, מגיע מכיוונן של שגיאות ייצור הנגרמות ממקורות חיצוניים דוגמת קרינה קוסמית. שגיאות כאלה אינן ניתנות לתיקון לאחר מעשה – אולם ניתן להתמודד עימן באמצעות לוגיקה של איתור מקור השגיאה, הזהה ללוגיקת אימות התכנון המקורי. פרוייקט דיאמונד נועד לצמצם במחצית את המאמץ הנדרש לאיתור מקור השגיאה ותיקונה – מה שיאפשר לצמצם את זמן התכנון הכולל ב- 23%.

על פי אומדנים, מגיעה עלות איתור המיקום והתיקון של שגיאות תכנון ל- 34.5 מיליון דולר לכל שבב חדש. פרוייקט דיאמונד אמור לקצץ את הסכום הזה ל- 17.25 מיליון בלבד.

הפוסט מעבדת המחקר של יבמ בחיפה ושורת גופים אירופיים השיקו פרוייקט לשיפור תהליכי התכנון, העלויות והאמינות של שבבי מחשב הופיע לראשונה ב-Chiportal.