هشدار؛ هوش مصنوعی در حال ساخت تراشه‌های خود است

هوش مصنوعی اخیراً پیشرفت‌های خیره‌کننده‌ای داشته است، در واقع، به نظر می‌رسد هوش مصنوعی حالا می‌تواند سخت افزار آینده خود را تا سطح ریزتراشه طراحی کند.

پیشرفت‌های هوش مصنوعی از سرعت بخشیدن به تحقیقات انرژی‌های تجدیدپذیر تا تشخیص دقیق سرطان، ترسناک به نظر می‌رسد؛ اما به اینجا محدود نمی‌شود و حالا بحث کمک هوش مصنوعی در طراحی تراشه‌ها داغ شده است.

پاسخگویی به تقاضای روزافزون جهان برای قابلیت‌های محاسباتی یک کار دشوار است؛ پردازنده‌های موجود در تلفن، لپ‌تاپ و ماشین شما در حال حاضر بی‌نهایت کوچک و به اندازه کافی سریع هستند که می‌توانند میلیاردها دستورالعمل را در هر ثانیه به شکل دقیق اجرا کنند و با این حال، ما می‌خواهیم که جدیدترین گجت‌ها هر سال عملکرد بهتری داشته باشند و سریع‌تر از مدل‌های سال گذشته کار کنند.

تجسم پیشرفت صنعت پردازنده در دهه‌های اخیر

فرض کنید که ما از بسته‌بندی ۲۱ میلیون ترانزیستور بر روی پردازنده Gekko Nintendo GameCube در سال ۲۰۰۱ به نصب ۵۰ میلیارد ترانزیستور روی تراشه‌ای به اندازه یک ناخن در سال ۲۰۲۱ رسیده‌ایم.

اگرچه ما مطمئناً در اوج هستیم و تراشه‌های امروزی طراحی و ساختار بسیار پیچیده‌تری از دهه‌های گذشته دارند، اما در حال حاضر به تراشه‌های تخصصی نیاز داریم؛ برای مثال، لپ‌تاپ‌ها و سرورهای ابری دارای واحدهای پردازش عصبی هستند که برای اجرای کارآمد وظایف یادگیری ماشین طراحی شده‌اند. تراشه‌های سه‌بعدی نیز وجود دارند که اساساً ترکیبی از چیپ‌لت‌ها هستند که برای افزایش عملکرد در کنار هم قرار گرفته‌اند. همه این اجزای پیچیده نیاز به طراحی‌های دقیق‌تری نسبت به الگوریتم‌های معمولی دارند و اینجاست که هوش مصنوعی وارد می‌شود.

هوش مصنوعی چگونه به کمک صنعت پردازنده آمد؟

هوش مصنوعی کار دشوار طراحی تراشه‌ها را به روش‌های مختلف سرعت می‌بخشد و بهینه می‌کند؛ برای سازندگان پردازنده، طراحی به کمک هوش مصنوعی به این معنی است که می‌توانند تراشه‌های بسیار بهتری با مهندسان بسیار کمتر نسبت به قبل بسازند.

«یروانت زوریان»، مهندس برق آمریکایی که به دلیل کارش در زمینه آزمایش مدارهای مجتمع شناخته شده است، در کنفرانس WCIT، در این خصوص گفت: «طراحی تراشه با استفاده از دسته‌ای از نرم‌افزار، سخت‌افزار و خدماتی که مجموعاً به نام اتوماسیون طراحی الکترونیکی (EDA) شناخته می‌شوند، امکان‌پذیر می‌شود. اینها مهندسان را قادر می‌سازد تا مشخصات یک تراشه و عملکردهای آن را تعریف کنند، آن را طراحی کنند، مونتاژ آن را برنامه‌ریزی کنند، تأیید کنند که در هنگام تولید درست کار می‌کند و آن را به تولید برسانند.»

او در ادامه گفت: «ابزارهای  EDA، ابزارهای شبیه‌ساز قدرت را ارائه می‌دهند و به طراحان اجازه می‌دهند، ایده‌های مختلف را به صورت مجازی امتحان کنند و در عین حال برای عملکرد بالای پردازنده، مصرف انرژی کم و اتلاف گرمای ایده‌آل، آن را بهینه‌سازی کنند. درواقع این ابزارها منجر می‌شوند تا در نتیجه فرایند تولید پیچیده و گران‌قیمت، تراشه‌هایی با عملکرد بالا و مطلوب تولید شوند.»

مجموعه‌ای از شرکت‌ها هستند که ابزارهای EDA را تولید می‌کنند، از جمله  Autodesk، Keysight Technologies، Cadence Design Systems  و  Synopsys. دو شرکت آخر بدون شک بزرگ‌ترین بازیگران این حوزه هستند.

طراحی تراشه چقدر می‌تواند پیچیده باشد؟

احتمالاً نام قانون مور را شنیده‌اید؛ قانون مور نخستین‌بار توسط «گوردون مور»، از بنیان‌گذاران شرکت اینتل، در سال ۱۹۶۵ ارائه شد، قاعده‌ای سرانگشتی که بیان می‌کند تعداد ترانزیستورهای روی یک تراشه با مساحت ثابت هر ۲ سال، به طور تقریبی دو برابر می‌شود.

این روزها این قانون اصلاح و بازنویسی شده و گفته می‌شود که ما شاهد دو برابر شدن قدرت محاسباتی پردازنده‌ها در هر ۱۸ تا ۲۴ ماه هستیم.

دوبرابر کردن تعداد ترانزیستورها در دهه‌های ۶۰ و ۷۰ شاید ساده‌تر از امروز بود؛ این سادگی شاید به این دلیل است که همان‌طور که به یاد دارید، ما در حال حاضر چندین میلیارد ترانزیستور در مقیاس نانو را روی یک تراشه کوچک قرار می‌دهیم و در گذشته اندازه ترانزیستورها بسیار بزرگ‌تر بوده است؛ این ترانزیستورها اکنون به قدری کوچک هستند که محدودیت‌های فیزیکی را به همراه آورده‌اند. الکترون‌ها رفتار خود را در این طرح‌های نانومقیاس متوقف می‌کنند و به دلیل اثرات کوانتومی، شروع به «تونل زدن» از طریق موانع می‌کنند که بر دقت و کارایی محاسبات تأثیر می‌گذارد؛ بنابراین کوچک‌تر کردن آنها بسیار بسیار دشوار است.

چه چیزی در مورد طراحی تراشه سخت است؟

با افزایش تقاضا برای قدرت محاسباتی، تراشه‌ها برای رفع این نیازها بزرگ‌تر و پیچیده‌تر می‌شوند. برای مثال، ساخت تراشه‌های کوچک‌تر، مانند پردازنده‌های ۲ نانومتری آینده و مدارهای مجتمع سه‌بعدی به صورت عمودی، فرآیند طراحی را چالش‌برانگیزتر و زمان‌برتر می‌کند. تراشه‌های بزرگ‌تر نیز به قدرت بیشتری نیاز دارند.

با پیشرفت در فناوری ساخت تراشه، قوانین طراحی جدیدی برای تولید تراشه به وجود آمده است. این قوانین به مجموعه‌ای از محدودیت‌های هندسی اشاره دارد که تولید تراشه را تضمین می‌کند و در عین حال محدودیت‌هایی را در فرآیندهای ساخت در نظر می‌گیرد. این بدان معناست که طراحان تراشه باید دائماً دانش خود را بازآموزی و به روز کنند تا از منحنی جلوتر بمانند.

فرآیند طراحی طولانی و کار فشرده است؛ طراحی یک تراشه مدرن می‌تواند بیش از سه سال طول بکشد و صدها یا حتی هزاران نفر را درگیر کند. همان‌طور که انتظار دارید، ممکن است به شدت گران تمام شود و جایی برای خطا وجود ندارد.

سه روشی که هوش مصنوعی در طراحی تراشه به کمک انسان می‌آید

هوش مصنوعی بسیاری از کارهای زمان‌بر را انجام می‌دهد

هوش مصنوعی سال‌هاست که در بخش‌های مختلف فرآیند طراحی تراشه کمک می‌کند؛ کمک‌گرفتن از هوش مصنوعی در طراحی تراشه به دلیل پیچیده‌شدن نیازهای محاسباتی ما است. پیچیدگی نیازها، به نصب ترانزیستورهای بیشتر بر روی تراشه‌ها نسبت به سال‌های گذشته نیاز دارد، تا اطمینان حاصل شود که آنها خیلی داغ نمی‌شوند و عملکرد قابل‌اعتمادی خواهند داشت. هوش مصنوعی در حل چنین چالش‌هایی به اندازه کافی مؤثر بوده است تا تولیدکنندگان بتوانند محصولات خود را به موقع به بازار عرضه کنند.

شرکت سیناپسس در حال حاضر، مجموعه‌ای از ابزارهای EDA مبتنی بر هوش مصنوعی را به تولیدکنندگان تراشه ارائه می‌دهد. این محصولات تقریباً تمام جنبه‌های فرآیند طراحی تراشه، از جمله وظایف پیچیده؛ مانند تعریف معماری سیستم، پیاده‌سازی طراحی، تأیید و ساخت را پوشش می‌دهند. آنها همچنین می‌توانند کارهای تکراری و وقت‌گیر مانند شبیه‌سازی را با دقت بیشتر و سریع‌تر انجام دهند.

در سال ۲۰۲۱، اولین تراشه تجاری طراحی شده با هوش مصنوعی سامسونگ را دیدیم و سال گذشته، «استلیوس دیامانتیدیس»، معمار برجسته و رئیس مرکز تعالی هوش مصنوعی سیناپسس، گفت:  «بیش از ۳۰۰ تراشه تجاری طراحی شده با فناوری هوش مصنوعی سیناپسس اکنون در حال تولید هستند.»

هوش مصنوعی تراشه‌های تخصصی را طراحی می‌کند و چیدمان‌های پیچیده را بهینه می‌کند

در طراحی تراشه، یادگیری تقویتی، پایه و اساس هوش مصنوعی است که به طراحان در کارشان کمک می‌کند. در اینجا، یک مدل هوش مصنوعی از فرآیند یادگیری آزمون‌وخطا برای تصمیم‌گیری برای دستیابی به بهینه‌ترین نتایج در یک سناریوی معین استفاده می‌کند.

در حال حاضر، هوش مصنوعی به ویژه در کمک به موارد زیر خوب است:

• بهینه‌سازی فضای طراحی
• تجزیه و تحلیل داده‌ها برای بازدهی بهتر

 یک ChatGPT برای طراحی تراشه وجود دارد

احتمالاً با هوش مصنوعی مولد  آشنا هستید که به سیستم‌های هوش مصنوعی اشاره دارد که می‌توانند محتوای جدیدی (مانند متن، تصاویر، کد یا موسیقی) با یادگیری الگوهایی از داده‌های موجود، مانند ChatGPT و Midjourney ایجاد کنند. این فناوری همچنین شروع به ایفای نقش در طراحی تراشه کرده است و در حال حاضر در مراحل اولیه خود در صنعت نیمه‌هادی است.