سپردن طراحی یک تراشه چندمیلیون دلاری به یک الگوریتم، برای هر مهندس VLSI شبیه به یک قمار با ریسک بسیار بالا است. اگر هنوز تمام مراحل طراحی فیزیکی را به‌صورت دستی مدیریت می‌کنید، باید بدانید که مرز بین «امکان‌پذیری» و «اعتماد» در حال تغییر است.
طراحی فیزیکی — که شبیه به چیدمان دقیق میلیون‌ها قطعه در یک فضای میلی‌متری است تا هیچ تداخلی پیش نیاید — به‌طور سنتی توالی سخت‌گیرانه‌ای از جای‌گذاری (Placement)، مسیریابی (Routing) و تأیید نهایی (Signoff) بوده است. اما امروز، یادگیری ماشین (Machine Learning) دیگر یک ابزار تئوریک نیست، بلکه برای پیش‌بینی تراکم و تنظیم خودکار PPA (توان، عملکرد و مساحت) به‌کار می‌رود. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اتوماسیون سخت‌افزاری اشاره کردیم، چالش مهندسان از «آیا AI می‌تواند این کار را انجام دهد؟» به «آیا می‌توانم پیش از چاپ تراشه به خروجی AI اعتماد کنم؟» تغییر یافته است. این روند با پیشرفت مدل‌های زبانی بزرگ در حل مسائل پیچیده سخت‌افزاری شتاب گرفته است، به‌طوری که مدل Claude Opus 5 توانسته است با امتیاز ۶۱.۶٪ در طراحی مدارات الکترونیکی پیشتاز شود.
به نقل از سرفصل‌های منتشرشده توسط Silicon Patterns، این وبینار روی چهار نقطه حساس فنی تمرکز می‌کند:
- جای‌گذاری (Placement): تحلیل نقاطی که هوش مصنوعی در حال حاضر بر تصمیمات مربوط به لایه‌بندی اثر می‌گذارد.
- پیش‌بینی (Prediction): استفاده از ML برای پیش‌بینی زمان‌بندی و تراکم مسیرها.
- بهینه‌سازی (Optimization): پیاده‌سازی تنظیمات خودکار PPA.
- اعتبارسنجی (Verification): ایجاد پروتکل‌هایی برای تأیید نتایج AI پیش از تأیید نهایی (Signoff).
بر اساس بررسی منابع متعدد، این تغییر نشان می‌دهد که صنعت به سمت فلسفه «طراحی ترکیبی» حرکت می‌کند. در این مدل، هوش مصنوعی جایگزین مهندس نمی‌شود، بلکه مانند یک کمک‌خلبان پیشرفته، کارهای تکراری و خسته‌کننده تنظیم PPA را بر عهده می‌گیرد. پیامد ثانویه این تحول، نیاز مبرم به ابزارهای اعتبارسنجی «AI-aware» است که بتوانند تصمیمات مدل‌های یادگیری ماشین را حسابرسی کنند.
گام بعدی شما
- اگر در حوزه CAD یا VLSI فعالیت می‌کنید، برای جلسه ۹۰ دقیقه‌ای در Microsoft Teams ثبت‌نام کنید.
- ارائه‌های کیران مالاواراجولا و پراسانا کومار تاداپاننی را برای درک جریان‌های کاری جدید دنبال کنید.
- ابزارهای فعلی خود را برای قابلیت‌های حسابرسی (Audit) خروجی‌های ML بررسی کنید.
اما تأثیر این اتوماسیون بر کاهش زمان رسیدن محصول به بازار حتی چشمگیرتر است — به تحلیل ما درباره‌ی زنجیره تأمین نیمه‌هادی‌ها مراجعه کنید.
گفتگو