مدل Heaviside سرعت پیش‌بینی میدان‌های الکترومغناطیسی را ۱۰۰ هزار برابر کرد

تصور کنید برای تأیید یک تغییر کوچک در طراحی تراشه، مجبور باشید چندین روز منتظر خروجی نرم‌افزارهای شبیه‌ساز بمانید. حالا با ورود مدل‌های بنیادی به حوزه فیزیک، این انتظار به چند میلی‌ثانیه تبدیل شده است. در حالی که حل‌کننده‌های سنتی ممکن است روزها برای محاسبه پاسخ‌های میدان الکترومغناطیسی سه‌بعدی زمان نیاز داشته باشند، Arena Physica این بازه زمانی را به میلی‌ثانیه کاهش داده است.

به گزارش Arena Physica، مدل Heaviside اکنون در پلتفرم Microsoft Discovery در دسترس است؛ پلتفرمی که مایکروسافت آن را برای مهندسی عامل‌محور (Agentic Engineering) طراحی کرده است. این خبر که در ۱۳ اکتبر ۲۰۲۶ اعلام شد، مستقیماً گلوگاه‌های طراحی نیمه‌هادی‌ها و سخت‌افزارهای پیشرفته را هدف قرار می‌دهد. طبق ادعای Arena Physica، این مدل پاسخ‌های کامل میدان الکترومغناطیسی سه‌بعدی را تقریباً ۱۰۰ هزار برابر سریع‌تر از روش‌های سنتی پیش‌بینی می‌کند.

برای چندین دهه، طراحی سخت‌افزار با «مسئله تأیید» (Verification Problem) دست‌وپنجه نرم کرده است. هر مسئله طراحی الکترومغناطیسی در نهایت به یک پرسش واحد تقلیل می‌یابد: این طراحی پس از ساخت، در واقعیت چگونه رفتار خواهد کرد؟ مهندسان معمولاً مجبورند هندسه قطعه را به یک حل‌کننده میدان موج کامل (Full-wave field solver) بسپارند و ساعت‌ها یا روزها منتظر بمانند تا تنها یک بار اجرا (Run) به پایان برسد. این کندی به‌ویژه در بخش‌های یکپارچگی سیگنال (Signal Integrity)، طراحی مشترک حرارتی و الکترومغناطیسی (Thermal and EM co-design) و بسته‌بندی‌های سرعت‌بالا در تحقیق و توسعه نیمه‌هادی‌ها بحرانی است.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی حاکمیت داده‌ها و خروج سازمان‌هایی مانند سازمان مالیات هلند از اکوسیستم Microsoft 365 اشاره کردیم، ادغام Heaviside در پلتفرم Discovery که توسط Azure پشتیبانی می‌شود، نشان‌دهنده استراتژی مایکروسافت برای تسخیر بازار R&D با ریسک بالا از طریق ارکستراسیون تخصصی عامل‌محور است.

تکامل مدل و بستر فنی

مدل Heaviside-1 در اوایل سپتامبر ۲۰۲۶ به‌عنوان جایگزین نسخه صفر (Heaviside-0) معرفی شد. نسخه صفر پیش‌تر در ماه مارس به همراه نرم‌افزار Atlas RF Studio منتشر شده بود. مدل جدید بیش از ۱۰ برابر بزرگ‌تر از سلف خود است و از نظر اندازه تقریباً با GPT-2 برابری می‌کند.

به نقل از مایکل فری، مدیر پژوهش Arena Physica، مدل Heaviside به‌گونه‌ای ساخته شده است تا راهکارهای فیزیکی زیربنایی را که توسط معادلات ماکسول (Maxwell’s equations) حاکم هستند، مستقیماً یاد بگیرد. هدف از این رویکرد، دور زدن نیاز به تخصص‌های نادر و حل‌کننده‌های کندی است که برای دهه‌ها مانع پیشرفت این صنعت شده‌اند.

مشخصات فنی Heaviside-1

این مدل که در اوایل سپتامبر ۲۰۲۶ عرضه شد، یک مدل با ۳۵۰ میلیون پارامتر (Parameters) است. Heaviside-1 روی ۲۵۰ هزار شبیه‌سازی میدان سه‌بعدی آموزش دیده است که در مجموع شامل ۵۰۰ میلیارد نمونه میدان مجزا می‌شود. برخلاف نسخه قبلی (Heaviside-0) که تنها ساختارهای صفحه‌ای ۲.۵ بعدی را مدیریت می‌کرد، نسخه جدید میدان‌های برداری الکتریکی و مغناطیسی کامل سه‌بعدی را بر اساس هندسه، مواد و تحریکات (Excitation) پیش‌بینی می‌کند.

بر اساس یک نشریه فنی منتشر شده در ۱ سپتامبر ۲۰۲۶، عملکرد مدل بسته به میزان آشنایی با داده‌ها متفاوت است:

• خانواده‌های هندسی شناخته‌شده: ۱۹٪ خطای جهانی و ۲۲٪ خطای محلی میانه.
• خانواده‌های ناشناخته: ۳۳٪ خطای جهانی و ۲۸٪ خطای محلی میانه.
• همراستاسازی برداری: میانگین همراستاسازی در حدود ۹۸٪ باقی مانده است.
• دقت: پیش‌بینی‌ها در محدوده یک دسی‌بل با دقت‌های تجاری مطابقت دارند.

برای اعتبارسنجی این ادعاها، Arena Physica ابزار EMVal v1.0 را معرفی کرد؛ یک مجموعه محک (Benchmark) جدید که شامل دو مسیر ارزیابی پارامتر-S (EMVal-SP) و میدان نزدیک (EMVal-NF) است. این شرکت بخش‌های ارزیابی استاندارد و چالش‌برانگیز را به‌صورت خصوصی نگه داشته است. در نشریه مذکور گزارش شده است که آموزش با نظارت بر میدان کامل (Full-field supervision)، خطای پارامتر-S در داده‌های خارج از توزیع (Out-of-distribution) را از ۰.۹۹ دسی‌بل به ۰.۵۳ دسی‌بل در مقایسه با مدلی که فقط روی پارامترهای S آموزش دیده بود، کاهش داده است.

حاکمیت سازمانی و ادغام در مایکروسافت

Heaviside در محیط Microsoft Discovery با اتصال مستقیم به محاسبات (Compute) با کارایی بالا عمل می‌کند. این ساختار به یک عامل (Agent) هوش مصنوعی اجازه می‌دهد تا به‌صورت پویا بین پیش‌بینی‌های آنی Heaviside و یک حل‌کننده سنتی با دقت کامل (Full-fidelity solver) برای تأیید نهایی، جابه‌جا شود. این رویکرد بهینه‌سازی زیرساختی برای کاهش تأخیر در پاسخ‌دهی، مشابه تلاش‌های زیرساخت Squadron برای کاهش ۵۰ درصدی تأخیر توکن‌ها در استنتاج‌های مقیاس‌بالا است که بر افزایش کارایی محاسباتی متمرکز است.

مایکروسافت پلتفرم Discovery را به‌عنوان یک بستر توسعه‌پذیر توصیف می‌کند که ارکستراسیون عامل‌محور، استدلال پیشرفته، یک بنیاد دانش مبتنی بر گراف (Graph-based knowledge foundation) و محاسبات با کارایی بالا را ترکیب می‌کند. این سرویس هم به‌عنوان یک سرویس ابری سازمانی و هم به‌عنوان یک اپلیکیشن دسکتاپ مستقل در دسترس است.

از آنجا که طراحی‌های الکترومغناطیسی — مانند آنتن‌های دفاعی یا اتصالات داخلی تراشه‌های منتشر نشده — حاوی مالکیت‌های فکری (IP) بسیار حساس هستند، این پلتفرم از کنترل‌های حاکمیتی Azure استفاده می‌کند. این کنترل‌ها شامل موارد زیر است:

• چارچوب‌های امنیتی: ثبت وقایع (Audit logging)، کنترل‌های دسترسی و مدیریت متمرکز.
• یکپارچگی: اتصال مستقیم با Microsoft 365, Microsoft Foundry و Microsoft Fabric.
• انطباق: چارچوب‌های شفافیت و حاکمیتی که به‌طور خاص برای محیط‌های حساس تحقیق و توسعه (R&D) طراحی شده‌اند.

اثرات صنعتی

این تحول، رویه بنیادی تأیید الکترومغناطیسی را تغییر می‌دهد. با گذار از چرخه «حل کن و منتظر بمان» به یک حلقه بازخورد آنی، مهندسان می‌توانند بسته‌بندی‌های BGA و اتصالات SerDes — یعنی مسیرهای سیگنالی که یک دای (Die) را به بقیه سیستم متصل می‌کنند — را در لحظه بهینه‌سازی کنند.

هاریش کریشناسوامی، دانشمند ارشد Arena Physica، اشاره کرد که انتظار برای شبیه‌سازی همیشه کندترین مرحله در طراحی تراشه‌های RF و موج میلی‌متری بوده است. او بیان می‌کند که Heaviside به مهندسان اجازه می‌دهد طراحی‌ها را تقریباً به‌صورت آنی تأیید کنند.

برای این حوزه، این اتفاق به معنای گذار از حل‌کننده‌های صرفاً عددی به مدل‌های بنیادی مبتنی بر فیزیک (Physics-informed foundation models) است. توانایی رسیدن به دقت تجاری در حالی که سرعت ۱۰۰ هزار برابر شده، نشان می‌دهد که هوش مصنوعی در نهایت در حال غلبه بر سدهای دقتی است که پیش از این، آن را برای طراحی‌های الکترومغناطیسی نامناسب می‌کرد.

شرکت Arena Physica که در سال ۲۰۱۹ در نیویورک تأسیس شد و خود را یک شرکت «ابر‌هوش الکترومغناطیسی» می‌نامد، در حال حاضر با پیشروانی چون AMD، Anduril و Bausch + Lomb همکاری می‌کند. این شرکت قصد دارد در گام بعدی، قابلیت‌های Heaviside را به گونه‌ای گسترش دهد که الگوهای تابش میدان دور (Far-field radiation patterns) را نیز شامل شود. در حال حاضر این مدل از طریق نسخه بتای Atlas Fields Studio در دسترس است.

برای مشاهده اینکه سایر مدل‌های مبتنی بر فیزیک چگونه با دقت Heaviside مقایسه می‌شوند، منتظر انتشار بخش‌های عمومی محک EMVal در Hugging Face باشید.

گام بعدی شما

• اگر در حوزه طراحی سخت‌افزار فعال هستید، دسترسی به نسخه بتای Atlas Fields Studio را بررسی کنید.
• منتظر انتشار مجموعه‌داده‌های عمومی EMVal در Hugging Face باشید تا دقت مدل‌های مشابه را مقایسه کنید.
• بررسی کنید که چگونه ارکستراسیون عامل‌محور در Microsoft Discovery می‌تواند جریان کاری شبیه‌سازی شما را خودکار کند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell و زیرساخت‌های محاسباتی جدید مراجعه کنید.