عامل‌های هوشمند چگونه بهینه‌سازی فضای تراشه‌ها را مدیریت می‌کنند؟

تصور کنید مهندسی که سال‌ها وقتش را صرف تنظیم دستی پارامترهای پیچیده تراشه می‌کرد، حالا فقط اهداف نهایی را تعریف می‌کند و یک عامل هوشمند، تمام مراحل اجرایی را مدیریت می‌کند. این رویای خودکارسازی کامل در صنعت نیمه‌هادی، با معرفی GPT-Synopsys به واقعیت نزدیک‌تر شد.

طبق اعلام رسمی در ۳۰ سپتامبر ۲۰۲۶، شرکت‌های OpenAI و Synopsys قراردادی چندساله برای توسعه GPT-Synopsys امضا کردند. این مدل یک متخصص بومی برای ابزارهای اتوماسیون طراحی الکترونیکی (EDA) است؛ ابزارهایی که مثل یک میز کار دیجیتال فوق‌پیشرفته، تمام نقشه‌های پیچیده تراشه را پیش از ساخت واقعی شبیه‌سازی می‌کنند. این همکاری که خبر آن از سان‌فرانسیسکو و سانی‌ویل کالیفرنیا منتشر شد، به عنوان پیوندی میان توانمندی‌های پیشرفته هوش مصنوعی OpenAI و ابزارهای EDA و قابلیت‌های هوش مصنوعی عامل‌محور (Agentic AI) شرکت Synopsys توصیف شده است.

این تحول در حالی رخ می‌دهد که صنعت تراشه برای طراحی مدل‌های پیچیده‌تر بدون کاهش کیفیت در سه معیار کلیدی یعنی توان، عملکرد و مساحت (PPA) دست‌وپنجه نرم می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی ورود عامل‌های هوشمند به زیرساخت‌های ابری اشاره کردیم، حالا هوش مصنوعی از یک رابط چت ساده به یک اپراتور مستقیم برای نرم‌افزارهای مهندسی صنعتی تبدیل شده است. ساسین غازی، رئیس و مدیرعامل Synopsys، تأکید کرد که آینده مهندسی نیمه‌هادی در گرو طراحی سریع‌تر و بدون خطای ساخت در اولین تلاش (First-time-right silicon) است، بدون آنکه کیفیت PPA فدا شود.

بر اساس مستندات مشترک، این همکاری بر ترکیب مدل‌های پیشرو (Frontier Models) شرکت OpenAI با تخصص عمیق Synopsys در طراحی تراشه تمرکز دارد. چارچوب فنی این پروژه بر تبدیل مدل‌ها به «خبره» در استفاده از ابزارهای EDA متمرکز است؛ به این معنا که مدل یاد می‌گیرد دقیقاً مانند یک مهندس انسان ابزارها را اجرا کند، داده‌های خروجی را تفسیر نماید و به‌صورت تکرارشونده طراحی را بهینه کند. هدف نهایی این است که شرکت‌های بیشتری بتوانند سرعت تولید سیلیکون‌های پیشرفته را افزایش دهند و در عین حال، دقت و اعتمادی که برای موفقیت در تولید صنعتی لازم است را حفظ کنند. این تلاش برای بهینه‌سازی سخت‌افزار در راستای نیازهای زیرساختی است، مشابه آنچه در همکاری کوالکام و آمازون برای توسعه سیلیکون‌های سفارشی مراکز داده برای افزایش کارایی اتصال نوری مشاهده کردیم.

ادغام فنی و قابلیت‌ها

مدل GPT-Synopsys برای استدلال درباره تأیید تراشه (Chip Verification) و اجرای مستقیم وظایف در اکوسیستم Synopsys طراحی شده است. قابلیت‌های کلیدی این سیستم عبارتند از:

• تفویض اهداف: مهندسان اهدافی مانند بهینه‌سازی PPA، بستن زمان‌بندی (Timing Closure) یا بستن فرآیند تأییدیه (Verification Closure) را تعیین می‌کنند و عامل‌ها (Agents) — شبیه دستیاران متخصصی که هر کدام مسئول یک بخش از پروژه هستند — گردش کار را اجرا می‌کنند.
• حلقه‌های تکرار: مدل ابزارها را اجرا می‌کند، نتایج را می‌فهمد، تغییرات را اعمال می‌کند و تا رسیدن به نتیجه تأییدشده که مهندسان بتوانند آن را بازبینی کنند، تکرار می‌کند.
• هم‌افزایی پلتفرمی: ادغام عمیق با Synopsys.ai و پلتفرم عامل‌محور Synopsys Autopilot.
• تعامل‌پذیری: سیستم به‌گونه‌ای طراحی شده است که بتواند با سامانه‌های مدیریت عامل‌های (Agent Harness Systems) اختصاصی مشتریان تعامل داشته باشد.

برای تحقق این هدف، OpenAI مجوز استفاده از ابزارهای EDA شرکت Synopsys را برای توسعه مدل دریافت کرده است. سرویس نهایی شامل محاسبات (Compute)، مدل و مجوزها در یک بسته واحد خواهد بود که روی زیرساخت OpenAI میزبانی می‌شود. این قرارداد همچنین شامل یک توافق بر سر تقسیم درآمد و همکاری مشترک در استراتژی ورود به بازار (Go-to-market) است تا GPT-Synopsys در دسترس مشتریان سراسر جهان قرار گیرد.

امنیت داده‌ها و حاکمیت

به دلیل اینکه طراحی‌های تراشه مالکیت معنوی بسیار حساسی هستند، این دو شرکت پروتکل‌های امنیتی سطح سازمانی را اجرا کرده‌اند. داده‌های طراحی هر مشتری در حالت سکون (At rest) و در حال انتقال (In transit) رمزنگاری می‌شوند. نکته حیاتی این است که Synopsys تصریح کرده است داده‌های مشتریان به‌هیچ‌وجه برای آموزش مدل استفاده نخواهند شد.

مدیریت حاکمیت داده‌ها از طریق کنترل‌های دسترسی، بازرسی‌های (Audit) قابل تنظیم و سیاست‌های نگهداری داده‌ها صورت می‌گیرد. گرگ بروکمن، رئیس و یکی از بنیان‌گذاران OpenAI، اشاره کرد که این همکاری پیشرفته‌ترین فناوری OpenAI را به حوزه طراحی تراشه می‌آورد و خاطرنشان کرد که ساخت تراشه‌های بهتر، در نهایت به OpenAI اجازه می‌دهد هوش مصنوعی قدرتمندتری برای تعداد بیشتری از مردم بسازد.

اکوسیستم Autopilot

در کنار این قرارداد، Synopsys در ۲۸ سپتامبر ۲۰۲۶ پلتفرم Autopilot را معرفی کرد. این زیربنای باز و امن برای مهندسی خودگردان، قابلیت‌هایی چون ارکستراسیون، مهارت‌ها، حافظه، تله‌متری و حاکمیت را فراهم می‌کند. این پلتفرم از راهکارهای AgentEngineer پشتیبانی می‌کند؛ عامل‌های تخصصی با افق زمانی بلند (Long-horizon agents) که قادر به استدلال، برنامه‌ریزی و اجرای گردش کار در حوزه‌های زیر هستند:

• حوزه‌های اصلی: تأییدیه (Verification)، اعتبارسنجی سیستم، پیاده‌سازی، مدارات آنالوگ، تولید، و شبیه‌سازی و تحلیل.
• اجرای هدفمند: بستن پوشش خودکار (Autonomous Coverage Closure)، راه‌اندازی و اعتبارسنجی نرم‌افزاری (Software Bring-up)، مونتاژ 3DIC چند-تراشه‌ای، بستن PPA، سنتز چیدمان آنالوگ، مهاجرت طراحی (Design Migration) و سنتز ماسک.

هوش زمینه‌ای (Context Intelligence) این پلتفرم، دانش مهندسی دامنه را با مهارت‌های قابل استفاده مجدد و حافظه پایدار ترکیب می‌کند. این سیستم از مالکیت معنوی از طریق حفاظ‌های زمان اجرا (Runtime Guardrails) و کنترل‌های دسترسی محافظت می‌کند و به مشتریان این امکان می‌دهد که بین مدل‌ها و زیرساخت‌های شریک یا شخص ثالث انتخاب کنند.

شرکت Synopsys گزارش داده است که در حال حاضر بیش از ۵۰ پروژه با این راهکارهای AgentEngineer در حال اجرا است و دسترسی کامل به این قابلیت‌ها برای پایان سال ۲۰۲۶ برنامه‌ریزی شده است.

برای مدیران کسب‌وکار، این تحول به معنای تغییر در ساختار هزینه‌های صنعت نیمه‌هادی است. با کاهش چرخه‌های تکرار دستی مورد نیاز برای رسیدن به «سیلیکون بدون خطا در اولین تلاش»، شرکت‌ها می‌توانند تراشه‌ها را سریع‌تر و با هزینه‌های تحقیق و توسعه (R&D) کمتر به بازار عرضه کنند.

برای مهندسان اما، نقش آن‌ها از اپراتور دستی ابزار به ارکستراتور سطح بالا تغییر می‌کند؛ دیگر نیازی به صرف ساعت‌ها وقت برای تغییر دستی پارامترها نیست و تمرکز بر بازبینی نتایج تأییدشده توسط حلقه‌های عامل‌محور خواهد بود.

این وضعیت یک چرخه مثبت ایجاد می‌کند: ابزارهای هوش مصنوعی بهتر منجر به ساخت تراشه‌های بهتر می‌شوند و این تراشه‌ها به نوبه خود سخت‌افزار لازم برای آموزش مدل‌های هوش مصنوعی حتی قدرتمندتر را فراهم می‌کنند.

گام بعدی شما

• بررسی مستندات Synopsys.ai برای درک نحوه ادغام مدل‌های زبانی در جریان‌های کاری سخت‌افزاری.
• رصد کردن زمان عرضه عمومی GPT-Synopsys در اواخر ۲۰۲۶ برای ارزیابی هزینه‌های استنتاج در طراحی تراشه.
• مطالعه درباره استانداردهای جدید امنیت داده در مدل‌های بومی‌سازی شده برای صنایع حساس.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.