W dzisiejszych czasach maszyny potrafią konstruować inne maszyny, co sugeruje, że sztuczna inteligencja mogłaby również odegrać kluczową rolę w budowie niezbędnych do nich komponentów, takich jak procesory czy układy pamięci. Jednakże, mimo postępów, jakie dokonują się w dziedzinie AI, zastąpienie ludzkich projektantów i inżynierów przez daną technologię jest wciąż odległym celem. Zamiast tego należy spojrzeć na bezpośrednie korzyści, jakie płyną z zastosowania uczenia maszynowego (ML) i algorytmów, które przyspieszają wykonywanie żmudnych i czasochłonnych zadań w zakresie projektowania struktur półprzewodników. W ostatnich badaniach przeprowadzonych w ramach rocznego raportu Accenture Technology Vision na temat generatywnej sztucznej inteligencji wynika, że aż 69% globalnych liderów branży zaawansowanych technologii spodziewa się, że ich organizacje będą czerpać korzyści z przyspieszenia rozwoju innowacji dzięki AI.
Syed Alam, który jest liderem branży zaawansowanych technologii w Accenture, podkreślił w wywiadzie dla portalu EE Times, że generatywna AI znajduje zastosowanie przede wszystkim w produkcji i łańcuchach dostaw, gdzie wspiera proces wytwarzania chipów. „Generatywna sztuczna inteligencja ma potencjał do poprawy wykorzystania i wydajności układów scalonych, pomagając w kontroli jakości i planowaniu produkcji” — stwierdził Alam. Dodatkowo, można zauważyć, że optymalizacja łańcucha dostaw poprzez monitorowanie i identyfikowanie kluczowych punktów w tym procesie jest kolejnym obszarem, w którym ta technologia może przynieść korzyści. Alam zaznaczył również, że projektowanie jest dziedziną, w której sztuczna inteligencja może odegrać znaczącą rolę. Dzięki niej możliwe jest przyspieszenie wprowadzania na rynek nowych produktów, a także zarządzanie złożonością w całym cyklu życia układu scalonego, na przykład poprzez szybkie prototypowanie i łatwiejszy dostęp do kompletnych cyfrowych dokumentacji produktowych. „Początek ery generatywnej AI oznacza dla firm z branży półprzewodnikowej konieczność radykalnej zmiany sposobu pracy” — podkreślił Alam. „Należy położyć duży nacisk zarówno na rozwój operacyjny, jak i na szkolenie pracowników, tak samo, jak na postęp w samej technologii”.
AI prowadzi w optymalizacji
Tetsu Ho, menedżer sektora mobilnej pamięci DRAM w firmie Winbond Electronics Corporation, podczas wyłącznego wywiadu dla EE Times podkreślił potencjał sztucznej inteligencji do zrewolucjonizowania sposobu projektowania i produkcji układów scalonych poprzez poprawę wydajności, redukcję defektów i zwiększenie sprawności pracy. „Jesteśmy przekonani, że AI może przyczynić się do optymalizacji czasu cyklu projektowania, takiego jak rozmieszczenie obwodów i symulacja sprawności energetycznej”. W kontekście procesu projektowania, Ho zauważył, że algorytmy uczenia maszynowego (ML) można wykorzystać do optymalizacji wydajności chipów. Sztuczna inteligencja może również wspomagać generowanie nowych architektur układów scalonych oraz usprawnić samo rozmieszczenie tych elementów, co przekłada się na zwiększenie wydajności przy jednoczesnym zmniejszeniu zużycia energii w systemie. Ponadto technologię tę uda się potencjalnie spożytkować w dalszej optymalizacji projektu, umożliwiając przewidywanie zachowania układu scalonego w różnych scenariuszach w celu weryfikacji możliwych nieprawidłowości. Podobnie w produkcji, sztuczna inteligencja może być wykorzystywana do identyfikowania i korygowania problemów na linii produkcyjnej, a także do analizy danych z czujników, aby wychwytywać defekty w chipach podczas procesu wytwórczego. Dodatkowo, może kierować dostosowaniami procesu w celu redukcji liczby tych nieprawidłowości oraz podniesienia wydajności w przyszłości.
Kolejnym obszarem, w którym ta technologia przypuszczalnie przyniesie korzyści, jest poprawa kontroli jakości. Dzięki swoim możliwościom jest w stanie identyfikować defekty, które są trudne do zauważenia przez człowieka, takie jak mikrorysy czy pęknięcia, które są zbyt małe, aby były widoczne gołym okiem. AI może przyspieszyć wzrost efektywności procesu wytwarzania, zwłaszcza w przypadku zaawansowanych produktów węzłów technologicznych oraz zoptymalizować cykl postępu dzięki dużej ilości danych zebranych podczas analizy produkcji.
Najbardziej bezpośredni wpływ sztucznej inteligencji na projektowanie układów scalonych polega jednak na zwiększeniu produktywności poprzez ograniczenie liczby godzin poświęconych przez ludzi na powtarzalne zadania, jednocześnie zmniejszając zakres błędów, jakie są podczas nich popełniane. Przykładowo, firma Nvidia prowadzi obecnie badania nad wykorzystaniem AI w procesie projektowania poprzez automatyczne rozmieszczanie bloków makr za pomocą narzędzia DREAMPlace (AutoDMP) we współpracy z University of Texas. Bill Dally (na zdjęciu po prawej), główny naukowiec w Nvidia, w wywiadzie udzielonym portalowi EE Times opowiedział szeroko o tym projekcie. AutoDMP korzysta z narzędzia analitycznego open-source DREAMPlace jako mechanizmu rozmieszczania, które równocześnie lokuje bloki makr i komórki wraz z wykorzystaniem struktury głębokiego uczenia (DL) PyTorch do szkolenia sieci neuronowej. Dally podkreślił, że DREAMPlace charakteryzuje się wysoką wydajnością, co umożliwia przeprowadzenie wielu prób i zdobycie nowej wiedzy, chociaż nie jest to framework głębokiego uczenia, które obecnie najbardziej kojarzy się z AI.
Dally zaznaczył, że istnieje wiele sprawdzonych metod rozmieszczania bloków makr, ale ręczne znalezienie optymalnego rozwiązania wymaga dużo czasu. Jest to kluczowy aspekt procesu projektowania chipu, ponieważ ma znaczący wpływ na strukturę samego układu, rzutując bezpośrednio na różne wskaźniki, takie jak powierzchnia struktury i zużycie energii. W obecnych czasach większość układów cyfrowych integruje w sobie wiele bloków makr, zazwyczaj są to pamięci lub bloki analogowe, które często są znacznie większe od standardowych modułów cyfrowych w tego rodzaju systemach. Badania nad AutoDMP pokazały nie tylko skuteczność łączenia programów akcelerowanych przez GPU z wielocelową optymalizacją parametrów AI/ML, ale również doprowadziły do odkrycia nowych technik eksploracji przestrzeni projektowej.
Prosta sztuczna inteligencja przyspiesza proces projektowania
Wykorzystanie AI w projektowaniu chipów nie musi być skomplikowane. Jej prawdziwa wartość polega na uwolnieniu ludzi od powtarzalnych zadań, jednocześnie zmniejszając liczbę błędów i zwiększając precyzję. Dally z Nvidia wspomniał, że firma używa sztucznej inteligencji, realizując algorytmy uczenia się przez wzmacnianie do projektowania bibliotek komórek za pomocą narzędzia o nazwie NVCell. „To lepsze niż to, co mogą zrobić ludzie”. Przykładem, który podał Dally, jest przejście z technologii 5 nm na 3 nm, co wymagałoby przearanżowania 2500 ogniw w bibliotece, jednocześnie zachowując złożone zasady nowoczesnego projektowania. Wcześniej 10-osobowemu zespołowi zajmowało to osiem miesięcy. Teraz ta praca może być wykonana w nocy na GPU. Jest to przykład, w którym AI staje się narzędziem zwiększającym produktywność, pozwalającym projektantom zredukować nakłady pracy i skupić się na podejmowaniu decyzji na wyższym poziomie. Dzięki oszczędzaniu czasu na przechodzenie do nowego procesu mogą oni skoncentrować się na bardziej wartościowych zadaniach. „Oszczędzamy czas ludzi, dzięki czemu możemy osiągnąć więcej przy mniejszej liczbie pracowników” — zaznaczył Dally.
Jednak, jak podkreśla Dally, celem nie jest eliminacja jednostek. Przeciwnie, chodzi o zwiększenie możliwości projektantów. W Nvidia wiele jest świetnych pomysłów na kolejne układy scalone, a narzędzia sztucznej inteligencji mają wspierać osoby zaangażowane, pozwalając im osiągnąć więcej przy ich tworzeniu w dostępnym dla nich czasie. Bez instrumentów zwiększających produktywność, wiele zadań nie zostanie przeprowadzonych z powodu ograniczenia czasowego, jak wskazuje Dally. Dzięki sztucznej inteligencji inżynierowie mogą skupić się na większym zakresie działań, przy zachowaniu tej samej liczby osób w zespole, a jednocześnie podnosząc efektywność. Ponadto, dane szkoleniowe z poprzednich projektów mogą być spożytkowane w nowych w celu przyspieszenia dalszych procesów. Firma może skorzystać z archiwum projektów, które wcześniej opracowała, i zużytkować je do szkolenia narzędzi. W ten sposób narzędzia sztucznej inteligencji uczą się, jakie decyzje podejmowali projektanci w tych przedsięwzięciach i mogą je powtórzyć w nowych projektach układów scalonych. Dally podkreślił jednak, że dobre projektowanie chipów wymaga kreatywności i doświadczenia. AI jest skuteczna w określonych i ograniczonych scenariuszach. „Sztuczna inteligencja najlepiej sprawdza się w optymalizacji rzeczy, gdy podjęte zostały już kluczowe decyzje”.
Firma Lam Research również prowadzi badania nad optymalnym sposobem kooperacji między ludźmi a AI w celu zoptymalizowania projektowania chipów. Wraz ze wzrostem złożoności towarzyszącej coraz mniejszym rozmiarom układów, potrzeba precyzji i dokładności staje się większa. W ostatnim badaniu opublikowanym w Nature, firma przedstawiła różnice między współpracą ludzi i maszyn a projektantami lub samą sztuczną inteligencją.
Przedsiębiorstwo Lam Research stworzyło wirtualne środowisko pozwalające szybko przetestować, jak dobrze dane algorytmy mogą znaleźć odpowiednią recepturę kontrolującą interakcje plazmy z płytką krzemową (substratem).
Podczas briefingu udzielonego dziennikarzom EE Times, Rick Gottscho (na zdjęciu po lewej), wiceprezes wykonawczy i doradca dyrektora generalnego Lam Research, podzielił się swoimi spostrzeżeniami na temat współpracy między ludźmi a sztuczną inteligencją. Jego zdaniem najlepszym podejściem wydaje się kooperacja, w której człowiek jest zaangażowany na początku, a później wspomagany przez komputer. Gottscho przytoczył badanie, w którym inżynierowie i algorytmy komputerowe firmy Lam zmierzyli się ze sobą w celu opracowania optymalnej receptury dla procesów wytrawiania plazmowego na poziomie atomowym, stosowanych w produkcji urządzeń półprzewodnikowych. Wykorzystanie sztucznej inteligencji pozwoliło na automatyzację pracochłonnych aspektów badań i rozwoju, umożliwiając inżynierom skoncentrowanie się na bardziej wymagających zagadnieniach.
Gottscho zauważył, że projektowanie chipów jest coraz bardziej wyrafinowane, a automatyzacja procesów staje się niezbędna. Jednak w przypadku procesorów trudno było znacząco skorzystać z projektowania wspomaganego komputerowo. Tworzenie receptur dla procesów osadzania plazmowego jest wyzwaniem, ponieważ istnieje ogromna liczba różnych kombinacji, które mogą mieć wpływ na jakość struktur chipa. Wybór optymalnej formuły spośród tak wielu możliwości jest trudny. Gottscho zwrócił uwagę, że podczas tworzenia tych receptur każdy eksperyment zazwyczaj zajmuje wiele czasu i kosztuje tysiące dolarów, co czyni generowanie dużych zbiorów danych niepraktycznym. W celu rozwiązania tego problemu, naukowcy z Lam Research zdecydowali się przeprowadzić eksperymenty w świecie wirtualnym. Stworzyli oni wirtualne środowisko symulujące proces osadzania plazmowego, które było równie realistyczne i frustrujące jak rzeczywiste. Przeprowadzenie tych doświadczeń pozwoliło na wydatne obniżenie kosztów i przyspieszenie porównywania różnych algorytmów. Jednym z kluczowych wyników badania było odkrycie, że analitycy danych i ich ulubione algorytmy uczenia maszynowego nie radziły sobie tak dobrze, jak doświadczeni inżynierowie. Zarówno ci bardziej obeznani, jak i młodsi szybko przyswajali wiedzę i osiągali postępy. Badanie pokazało również, że istnieje punkt, w którym inżynierowie przechodzili z fazy satysfakcjonujących rezultatów do frustracji, gdy nie udawało im się osiągnąć dalszych istotnych wyników. To właśnie działania w tym etapie pochłaniają najwięcej czasu i pieniędzy. Gottscho podkreślił, że mimo zaawansowania sztucznej inteligencji i jej roli w projektowaniu chipów, dobre efekty wymagają kreatywności i doświadczenia ludzi.
Firma Lam Research kontynuuje obecnie badania nad optymalnym sposobem współpracy między ludźmi a AI, aby dalej doskonalić proces projektowania chipów. Wraz ze wzrostem złożoności i wymagań dotyczących dokładności, które towarzyszą coraz mniejszym rozmiarom układów, rola sztucznej inteligencji i ludzkiej ekspertyzy będzie jeszcze bardziej istotna.
Ludzie są niezbędni, aby przezwyciężyć nieprawidłowości projektowe
AI potrzebuje ludzkiego wkładu celem rozwiązywania problemów projektowych — tak podsumował Gottscho swoje spostrzeżenia. Badania wykazują, że istnieje moment, w którym sztuczna inteligencja może przejąć kontrolę, korzystając z wiedzy i doświadczenia inżynierów. Praca ludzi uczy algorytmy, które potem mogą być szybko wykorzystane, aby zająć się wolniejszymi i bardziej frustrującymi fragmentami procesu. Celem jest zwiększenie produktywności ludzi. Gottscho podkreślił, że hybrydowe podejście jest konieczne. Maszyny bez znajomości dziedziny są jak noworodki — brakuje im połączeń i zdolności do nauki. Sztuczna inteligencja nie zastąpi ludzi w dziedzinie projektowania półprzewodników w bliskiej przyszłości. Potrzebny jest czas, aby AI mogła się nauczyć. Konieczne jest stworzenie sposobu na skodyfikowanie wcześniejszego ludzkiego doświadczenia i wiedzy.
Kluczem do sukcesu jest spożytkowanie umiejętności i pasji jednostek w tych częściach pracy, które sprawiają im radość, ponieważ osiągają wtedy szybkie postępy. Kiedy operacje stają się monotonne i uciążliwe, wówczas można przekazać to maszynom, które są w tym lepsze, uważa Gottscho.
Wniosek jest prosty — współpraca sztucznej i ludzkiej inteligencji są nieodzowne w branży projektowania półprzewodników. Chociaż AI może odciążyć człowieka od powtarzalnych czynności i przyspieszyć niektóre aspekty procesu projektowego, to ludzka kreatywność, wiedza i doświadczenie nadal odgrywają kluczową rolę. Choć AI może przynieść wiele korzyści, nie jest w stanie w pełni zastąpić człowieka w tym procesie. Sztuczna inteligencja może optymalizować wydajność, identyfikować problemy i poprawiać kontrolę jakości, jednak konieczne jest hybrydowe podejście, w którym ludzkie doświadczenie i kreatywność są nadal niezastąpione.
A Wy, jak uważacie? Czy AI w przyszłości będzie miała większe znaczenie w projektowaniu układów scalonych, czy też człowiek będzie zawsze wiódł prym? Jakie są Wasze obawy (lub nadzieje?) związane z rozwojem AI w tej dziedzinie? Czy są jakieś aspekty projektowania, w których widzisz szczególne wyzwania dla AI? Zapraszamy do podzielenia się swoimi myślami i rozpoczęcia dyskusji na ten temat!
Źródło: https://www.eetimes.com/ai-cant-design-chips-without-people/
Syed Alam, który jest liderem branży zaawansowanych technologii w Accenture, podkreślił w wywiadzie dla portalu EE Times, że generatywna AI znajduje zastosowanie przede wszystkim w produkcji i łańcuchach dostaw, gdzie wspiera proces wytwarzania chipów. „Generatywna sztuczna inteligencja ma potencjał do poprawy wykorzystania i wydajności układów scalonych, pomagając w kontroli jakości i planowaniu produkcji” — stwierdził Alam. Dodatkowo, można zauważyć, że optymalizacja łańcucha dostaw poprzez monitorowanie i identyfikowanie kluczowych punktów w tym procesie jest kolejnym obszarem, w którym ta technologia może przynieść korzyści. Alam zaznaczył również, że projektowanie jest dziedziną, w której sztuczna inteligencja może odegrać znaczącą rolę. Dzięki niej możliwe jest przyspieszenie wprowadzania na rynek nowych produktów, a także zarządzanie złożonością w całym cyklu życia układu scalonego, na przykład poprzez szybkie prototypowanie i łatwiejszy dostęp do kompletnych cyfrowych dokumentacji produktowych. „Początek ery generatywnej AI oznacza dla firm z branży półprzewodnikowej konieczność radykalnej zmiany sposobu pracy” — podkreślił Alam. „Należy położyć duży nacisk zarówno na rozwój operacyjny, jak i na szkolenie pracowników, tak samo, jak na postęp w samej technologii”.
AI prowadzi w optymalizacji
Tetsu Ho, menedżer sektora mobilnej pamięci DRAM w firmie Winbond Electronics Corporation, podczas wyłącznego wywiadu dla EE Times podkreślił potencjał sztucznej inteligencji do zrewolucjonizowania sposobu projektowania i produkcji układów scalonych poprzez poprawę wydajności, redukcję defektów i zwiększenie sprawności pracy. „Jesteśmy przekonani, że AI może przyczynić się do optymalizacji czasu cyklu projektowania, takiego jak rozmieszczenie obwodów i symulacja sprawności energetycznej”. W kontekście procesu projektowania, Ho zauważył, że algorytmy uczenia maszynowego (ML) można wykorzystać do optymalizacji wydajności chipów. Sztuczna inteligencja może również wspomagać generowanie nowych architektur układów scalonych oraz usprawnić samo rozmieszczenie tych elementów, co przekłada się na zwiększenie wydajności przy jednoczesnym zmniejszeniu zużycia energii w systemie. Ponadto technologię tę uda się potencjalnie spożytkować w dalszej optymalizacji projektu, umożliwiając przewidywanie zachowania układu scalonego w różnych scenariuszach w celu weryfikacji możliwych nieprawidłowości. Podobnie w produkcji, sztuczna inteligencja może być wykorzystywana do identyfikowania i korygowania problemów na linii produkcyjnej, a także do analizy danych z czujników, aby wychwytywać defekty w chipach podczas procesu wytwórczego. Dodatkowo, może kierować dostosowaniami procesu w celu redukcji liczby tych nieprawidłowości oraz podniesienia wydajności w przyszłości.
Kolejnym obszarem, w którym ta technologia przypuszczalnie przyniesie korzyści, jest poprawa kontroli jakości. Dzięki swoim możliwościom jest w stanie identyfikować defekty, które są trudne do zauważenia przez człowieka, takie jak mikrorysy czy pęknięcia, które są zbyt małe, aby były widoczne gołym okiem. AI może przyspieszyć wzrost efektywności procesu wytwarzania, zwłaszcza w przypadku zaawansowanych produktów węzłów technologicznych oraz zoptymalizować cykl postępu dzięki dużej ilości danych zebranych podczas analizy produkcji.
Najbardziej bezpośredni wpływ sztucznej inteligencji na projektowanie układów scalonych polega jednak na zwiększeniu produktywności poprzez ograniczenie liczby godzin poświęconych przez ludzi na powtarzalne zadania, jednocześnie zmniejszając zakres błędów, jakie są podczas nich popełniane. Przykładowo, firma Nvidia prowadzi obecnie badania nad wykorzystaniem AI w procesie projektowania poprzez automatyczne rozmieszczanie bloków makr za pomocą narzędzia DREAMPlace (AutoDMP) we współpracy z University of Texas. Bill Dally (na zdjęciu po prawej), główny naukowiec w Nvidia, w wywiadzie udzielonym portalowi EE Times opowiedział szeroko o tym projekcie. AutoDMP korzysta z narzędzia analitycznego open-source DREAMPlace jako mechanizmu rozmieszczania, które równocześnie lokuje bloki makr i komórki wraz z wykorzystaniem struktury głębokiego uczenia (DL) PyTorch do szkolenia sieci neuronowej. Dally podkreślił, że DREAMPlace charakteryzuje się wysoką wydajnością, co umożliwia przeprowadzenie wielu prób i zdobycie nowej wiedzy, chociaż nie jest to framework głębokiego uczenia, które obecnie najbardziej kojarzy się z AI.
Dally zaznaczył, że istnieje wiele sprawdzonych metod rozmieszczania bloków makr, ale ręczne znalezienie optymalnego rozwiązania wymaga dużo czasu. Jest to kluczowy aspekt procesu projektowania chipu, ponieważ ma znaczący wpływ na strukturę samego układu, rzutując bezpośrednio na różne wskaźniki, takie jak powierzchnia struktury i zużycie energii. W obecnych czasach większość układów cyfrowych integruje w sobie wiele bloków makr, zazwyczaj są to pamięci lub bloki analogowe, które często są znacznie większe od standardowych modułów cyfrowych w tego rodzaju systemach. Badania nad AutoDMP pokazały nie tylko skuteczność łączenia programów akcelerowanych przez GPU z wielocelową optymalizacją parametrów AI/ML, ale również doprowadziły do odkrycia nowych technik eksploracji przestrzeni projektowej.
Prosta sztuczna inteligencja przyspiesza proces projektowania
Wykorzystanie AI w projektowaniu chipów nie musi być skomplikowane. Jej prawdziwa wartość polega na uwolnieniu ludzi od powtarzalnych zadań, jednocześnie zmniejszając liczbę błędów i zwiększając precyzję. Dally z Nvidia wspomniał, że firma używa sztucznej inteligencji, realizując algorytmy uczenia się przez wzmacnianie do projektowania bibliotek komórek za pomocą narzędzia o nazwie NVCell. „To lepsze niż to, co mogą zrobić ludzie”. Przykładem, który podał Dally, jest przejście z technologii 5 nm na 3 nm, co wymagałoby przearanżowania 2500 ogniw w bibliotece, jednocześnie zachowując złożone zasady nowoczesnego projektowania. Wcześniej 10-osobowemu zespołowi zajmowało to osiem miesięcy. Teraz ta praca może być wykonana w nocy na GPU. Jest to przykład, w którym AI staje się narzędziem zwiększającym produktywność, pozwalającym projektantom zredukować nakłady pracy i skupić się na podejmowaniu decyzji na wyższym poziomie. Dzięki oszczędzaniu czasu na przechodzenie do nowego procesu mogą oni skoncentrować się na bardziej wartościowych zadaniach. „Oszczędzamy czas ludzi, dzięki czemu możemy osiągnąć więcej przy mniejszej liczbie pracowników” — zaznaczył Dally.
Jednak, jak podkreśla Dally, celem nie jest eliminacja jednostek. Przeciwnie, chodzi o zwiększenie możliwości projektantów. W Nvidia wiele jest świetnych pomysłów na kolejne układy scalone, a narzędzia sztucznej inteligencji mają wspierać osoby zaangażowane, pozwalając im osiągnąć więcej przy ich tworzeniu w dostępnym dla nich czasie. Bez instrumentów zwiększających produktywność, wiele zadań nie zostanie przeprowadzonych z powodu ograniczenia czasowego, jak wskazuje Dally. Dzięki sztucznej inteligencji inżynierowie mogą skupić się na większym zakresie działań, przy zachowaniu tej samej liczby osób w zespole, a jednocześnie podnosząc efektywność. Ponadto, dane szkoleniowe z poprzednich projektów mogą być spożytkowane w nowych w celu przyspieszenia dalszych procesów. Firma może skorzystać z archiwum projektów, które wcześniej opracowała, i zużytkować je do szkolenia narzędzi. W ten sposób narzędzia sztucznej inteligencji uczą się, jakie decyzje podejmowali projektanci w tych przedsięwzięciach i mogą je powtórzyć w nowych projektach układów scalonych. Dally podkreślił jednak, że dobre projektowanie chipów wymaga kreatywności i doświadczenia. AI jest skuteczna w określonych i ograniczonych scenariuszach. „Sztuczna inteligencja najlepiej sprawdza się w optymalizacji rzeczy, gdy podjęte zostały już kluczowe decyzje”.
Firma Lam Research również prowadzi badania nad optymalnym sposobem kooperacji między ludźmi a AI w celu zoptymalizowania projektowania chipów. Wraz ze wzrostem złożoności towarzyszącej coraz mniejszym rozmiarom układów, potrzeba precyzji i dokładności staje się większa. W ostatnim badaniu opublikowanym w Nature, firma przedstawiła różnice między współpracą ludzi i maszyn a projektantami lub samą sztuczną inteligencją.
Przedsiębiorstwo Lam Research stworzyło wirtualne środowisko pozwalające szybko przetestować, jak dobrze dane algorytmy mogą znaleźć odpowiednią recepturę kontrolującą interakcje plazmy z płytką krzemową (substratem).
Podczas briefingu udzielonego dziennikarzom EE Times, Rick Gottscho (na zdjęciu po lewej), wiceprezes wykonawczy i doradca dyrektora generalnego Lam Research, podzielił się swoimi spostrzeżeniami na temat współpracy między ludźmi a sztuczną inteligencją. Jego zdaniem najlepszym podejściem wydaje się kooperacja, w której człowiek jest zaangażowany na początku, a później wspomagany przez komputer. Gottscho przytoczył badanie, w którym inżynierowie i algorytmy komputerowe firmy Lam zmierzyli się ze sobą w celu opracowania optymalnej receptury dla procesów wytrawiania plazmowego na poziomie atomowym, stosowanych w produkcji urządzeń półprzewodnikowych. Wykorzystanie sztucznej inteligencji pozwoliło na automatyzację pracochłonnych aspektów badań i rozwoju, umożliwiając inżynierom skoncentrowanie się na bardziej wymagających zagadnieniach.
Gottscho zauważył, że projektowanie chipów jest coraz bardziej wyrafinowane, a automatyzacja procesów staje się niezbędna. Jednak w przypadku procesorów trudno było znacząco skorzystać z projektowania wspomaganego komputerowo. Tworzenie receptur dla procesów osadzania plazmowego jest wyzwaniem, ponieważ istnieje ogromna liczba różnych kombinacji, które mogą mieć wpływ na jakość struktur chipa. Wybór optymalnej formuły spośród tak wielu możliwości jest trudny. Gottscho zwrócił uwagę, że podczas tworzenia tych receptur każdy eksperyment zazwyczaj zajmuje wiele czasu i kosztuje tysiące dolarów, co czyni generowanie dużych zbiorów danych niepraktycznym. W celu rozwiązania tego problemu, naukowcy z Lam Research zdecydowali się przeprowadzić eksperymenty w świecie wirtualnym. Stworzyli oni wirtualne środowisko symulujące proces osadzania plazmowego, które było równie realistyczne i frustrujące jak rzeczywiste. Przeprowadzenie tych doświadczeń pozwoliło na wydatne obniżenie kosztów i przyspieszenie porównywania różnych algorytmów. Jednym z kluczowych wyników badania było odkrycie, że analitycy danych i ich ulubione algorytmy uczenia maszynowego nie radziły sobie tak dobrze, jak doświadczeni inżynierowie. Zarówno ci bardziej obeznani, jak i młodsi szybko przyswajali wiedzę i osiągali postępy. Badanie pokazało również, że istnieje punkt, w którym inżynierowie przechodzili z fazy satysfakcjonujących rezultatów do frustracji, gdy nie udawało im się osiągnąć dalszych istotnych wyników. To właśnie działania w tym etapie pochłaniają najwięcej czasu i pieniędzy. Gottscho podkreślił, że mimo zaawansowania sztucznej inteligencji i jej roli w projektowaniu chipów, dobre efekty wymagają kreatywności i doświadczenia ludzi.
Firma Lam Research kontynuuje obecnie badania nad optymalnym sposobem współpracy między ludźmi a AI, aby dalej doskonalić proces projektowania chipów. Wraz ze wzrostem złożoności i wymagań dotyczących dokładności, które towarzyszą coraz mniejszym rozmiarom układów, rola sztucznej inteligencji i ludzkiej ekspertyzy będzie jeszcze bardziej istotna.
Ludzie są niezbędni, aby przezwyciężyć nieprawidłowości projektowe
AI potrzebuje ludzkiego wkładu celem rozwiązywania problemów projektowych — tak podsumował Gottscho swoje spostrzeżenia. Badania wykazują, że istnieje moment, w którym sztuczna inteligencja może przejąć kontrolę, korzystając z wiedzy i doświadczenia inżynierów. Praca ludzi uczy algorytmy, które potem mogą być szybko wykorzystane, aby zająć się wolniejszymi i bardziej frustrującymi fragmentami procesu. Celem jest zwiększenie produktywności ludzi. Gottscho podkreślił, że hybrydowe podejście jest konieczne. Maszyny bez znajomości dziedziny są jak noworodki — brakuje im połączeń i zdolności do nauki. Sztuczna inteligencja nie zastąpi ludzi w dziedzinie projektowania półprzewodników w bliskiej przyszłości. Potrzebny jest czas, aby AI mogła się nauczyć. Konieczne jest stworzenie sposobu na skodyfikowanie wcześniejszego ludzkiego doświadczenia i wiedzy.
Kluczem do sukcesu jest spożytkowanie umiejętności i pasji jednostek w tych częściach pracy, które sprawiają im radość, ponieważ osiągają wtedy szybkie postępy. Kiedy operacje stają się monotonne i uciążliwe, wówczas można przekazać to maszynom, które są w tym lepsze, uważa Gottscho.
Wniosek jest prosty — współpraca sztucznej i ludzkiej inteligencji są nieodzowne w branży projektowania półprzewodników. Chociaż AI może odciążyć człowieka od powtarzalnych czynności i przyspieszyć niektóre aspekty procesu projektowego, to ludzka kreatywność, wiedza i doświadczenie nadal odgrywają kluczową rolę. Choć AI może przynieść wiele korzyści, nie jest w stanie w pełni zastąpić człowieka w tym procesie. Sztuczna inteligencja może optymalizować wydajność, identyfikować problemy i poprawiać kontrolę jakości, jednak konieczne jest hybrydowe podejście, w którym ludzkie doświadczenie i kreatywność są nadal niezastąpione.
A Wy, jak uważacie? Czy AI w przyszłości będzie miała większe znaczenie w projektowaniu układów scalonych, czy też człowiek będzie zawsze wiódł prym? Jakie są Wasze obawy (lub nadzieje?) związane z rozwojem AI w tej dziedzinie? Czy są jakieś aspekty projektowania, w których widzisz szczególne wyzwania dla AI? Zapraszamy do podzielenia się swoimi myślami i rozpoczęcia dyskusji na ten temat!
Źródło: https://www.eetimes.com/ai-cant-design-chips-without-people/
Fajne? Ranking DIY
