اصطدم تصميم الشرائح بجدار — والذكاء الاصطناعي هو السبيل الوحيد للمضي قدمًا

المشكلة

عدد الطرق الممكنة لترتيب المكونات على شريحة حديثة يتجاوز عدد الذرات في الكون القابل للملاحظة. هذه ليست مجازًا، بل حقيقة رياضية تتعلق بفضاء التصميم الذي تواجهه فرقك الهندسية في كل مرة تبدأ فيها مخطط توزيع جديد. والأدوات التي تعتمد عليها للتنقل في ذلك الفضاء اخترعت في ثمانينيات القرن العشرين.

قانون مور — النمط الممتد على مدى خمسين عامًا والقائل بمضاعفة كثافة الترانزستورات كل عامين — انتهى. وبينما تدفع عمليات التصنيع حدودًا ذرية عند 3 نانومتر وأقل، تقف الفيزياء في وجه ذلك. لقد أنهى النفق الكمومي والتقييد الحراري واختناقات التوصيلات البينية عصر المكاسب التلقائية في الأداء الناتجة عن تصغير الترانزستورات. وتكلفة الترانزستور الواحد عند العقد المتقدمة أصبحت ترتفع الآن، لا تنخفض. وفي الوقت نفسه، تعني مشكلة «السيليكون المظلم» أن نسبة معتبرة من ترانزستورات شرائحك يجب أن تبقى مطفأة في أي لحظة لمنع الانفلات الحراري.

لكن الأزمة الأعمق لا تتعلق بفيزياء التصنيع، بل بتعقيد التصميم. فالمعالج المتطور يحتوي على مليارات الترانزستورات، والترتيبات الممكنة لتلك المكونات — المحسّنة من حيث القدرة والأداء والمساحة — تتجاوز 10^100 توليفة. المهندسون البشريون، المساندون بخوارزميات عمرها عقود، محاصرون: فلا يمكنهم محاكاة الآثار المتتابعة لقرار توزيع عبر النظام بأكمله ذهنيًا. لقد أصابت فرق التصميم لديك سقفًا إدراكيًا صلبًا، والأدوات التي تعتمد عليها لا ترى ما وراءه.

لماذا يهم هذا عملك التجاري

هذه ليست مشكلة بحثية مجردة؛ إنها تمس مباشرة جدولك الزمني وهوامش ربحك وموقعك التنافسي.

تصميم الشرائح اليوم عملٌ شاقٌّ متكرر كثيف العمالة. فرق من مهندسي التصميم الفيزيائي الخبراء تقضي أسابيع أو أشهر في تعديل مخططات التوزيع يدويًا لإصلاح انتهاكات التوقيت التي فاتتها الأدوات المؤتمتة. وكل أسبوع تأخير هو أسبوع يتقدم فيه منافسك.

وإليك الأرقام التي ينبغي أن تقلقك:

• معالجات Google Trillium TPU حققت زيادة قدرها 4.7 أضعاف في أداء الحوسبة الذروي وتحسنًا بنسبة 67% في كفاءة الطاقة مقارنة بالجيل السابق — وهي مكاسب تُعزى مباشرة إلى تصميم الشرائح المدفوع بالذكاء الاصطناعي بدلًا من التوزيع اليدوي.
• معالج MediaTek Dimensity 9400 قدّم تحسنًا بنسبة +40% في كفاءة القدرة و**+35% في أداء النواة الواحدة** مقارنة بسابقه. ونسب المسؤولون التنفيذيون الفضل إلى أدوات التصميم المعتمدة على الذكاء الاصطناعي في تمكين مخططات التوزيع التي حققت تلك الأرقام.
• إطار NVIDIA NVCell أنتج تخطيطات خلايا قياسية كانت أصغر بنسبة 92% أو مساوية لها في المساحة من التخطيطات المصنوعة يدويًا بواسطة مهندسين خبراء — دون أي تدخل بشري.
• وأفادت Samsung Foundry بتدفقات مدفوعة بالذكاء الاصطناعي خفضت القدرة بنسبة 8% في الكتل الحرجة وحسّنت نتائج التوقيت بأكثر من 50% خلال أسابيع بدلًا من أشهر.

إذا كان منافسوك يشحنون شرائح صممها وكلاء ذكاء اصطناعي بينما لا يزال فريقك ينقل كتل الذاكرة يدويًا، فأنت لست أبطأ فحسب؛ أنت في موضع حرَج بنيوي. وستزداد الفجوة بين السيليكون المصمم بالذكاء الاصطناعي والسيليكون المصمم بشريًا اتساعًا كلما تعلمت هذه الأنظمة من كل شريحة تتعامل معها.

ما الذي يجري فعلًا تحت الغطاء

لفهم سبب إخفاق الأدوات القديمة، تصور الأمر هكذا: تخيل أنك تعيد ترتيب الأثاث في مستودع مكوَّن من عشرة آلاف غرفة، تتصل كل غرفة بعشرات الغرف الأخرى عبر ممرات بعرض مختلف. تحريك طاولة في الغرفة رقم 4 قد يسد ممرًا حاسمًا يؤدي إلى الغرفة رقم 7000. لا يمكن لأي إنسان أن يستوعب تلك الخريطة كاملة في ذهنه. هذه هي مشكلة توزيع الشرائح (Floorplanning).

الخوارزمية المعيارية لهذه المهمة تسمى التلدين المحاكى (Simulated Annealing). وهي تعمل عن طريق تحريك المكونات عشوائيًا ثم «تبريد» النظام تدريجيًا للاستقرار عند حلٍّ ما. وللتلدين المحاكى عيبان قاتلان: أولًا، فهو بلا ذاكرة — يبدأ من الصفر في كل تشغيل، ولا يتعلم شيئًا من التشغيل السابق، ولا ينقل معرفةً قط من شريحتك الأخيرة إلى شريحتك التالية. وثانيًا، إنه يقع محاصرًا في القيم الصغرى المحلية — فيرضى بحل «جيد بما يكفي» لأنه لا يرى الحل الأفضل المختبئ خلف حدٍّ من تكلفة أعلى.

العائق الحقيقي في الشرائح الحديثة ليس الترانزستور ذاته بل السلك. ففي العمليات بمقياس النانومتر، تهيمن التوصيلات البينية النحاسية الدقيقة الحاملة للإشارات على التأخير واستهلاك القدرة. تعبر الإشارة بوابة منطقية في بيكوثوانٍ لكنها قد تستغرق نانوثوانٍ لعبور الرقاقة عبر متاهة من الأسلاك المقاومة. هذا يعني أن الترتيب الهندسي للكتل — مخطط التوزيع — هو العامل الأكثر أهمية على الإطلاق في أداء شريحتك، ولا يمكن إصلاح مخطط توزيع سيئ بترانزستورات أسرع.

يلجأ المهندسون البشريون افتراضيًا إلى تخطيطات شبكية مرتبة من نوع «مانهاتن» لأنها سهلة القراءة والإدارة بالنسبة للناس، لكن تلك التخطيطات تستهدف استيعاب الإنسان لا تدفق الإلكترونات، وهي بذلك تترك جزءًا من الأداء ضائعًا.

ما الذي ينجح (وما الذي لا ينجح)

ثلاثة أساليب شائعة تقصر عن الهدف:

• أغلفة LLM فوق الأدوات التقليدية: تبيع العديد من الشركات الاستشارية اليوم حلول «ذكاء اصطناعي لأتمتة التصميم الإلكتروني» هي في جوهرها روبوتات محادثة تكتب نصوصًا برمجية لأدواتك الحالية. هذا يؤتمت الواجهة لكنه لا يغيّر فيزياء شريحتك.
• ضبط المعاملات (مثل Synopsys DSO.ai): تشغّل هذه الأنظمة أداتك المعيارية مرات عديدة بإعدادات مختلفة وتختار أفضل نتيجة. فهي تحسّن المقابض على المحرك القديم لكنها لا تستبدل المحرك نفسه.
• أتمتة التدفق (مثل Cadence Cerebrus): تؤتمت هذه الخطوات في تدفق تصميمك ويمكنها أن تجد إعدادات أدوات غير بديهية، لكن خوارزميات التوزيع الأساسية تظل مقيَّدة بمحركات الإرث القديمة.

ما ينجح فعلًا هو التعلم المعزز العميق — أي معاملة تصميم الشريحة كلعبة تسلسلية لا كمشكلة رياضية ساكنة. وإليك كيف يعمل ذلك في ثلاث خطوات:

1. المدخلات — قراءة الشريحة كرسم بياني. تستوعب شبكة عصبية رسومية (GNN) — وهي نوع من الذكاء الاصطناعي يعالج البيانات المهيكلة كشبكات من العقد المترابطة — قائمة وصل الشريحة بالكامل. تتعلم أي الكتل مترابطة بكثافة، وأي المسارات حساسة للتوقيت، وأين يرجَّح ظهور الاختناق. يمنح ذلك الوكيل «خريطة» لطوبولوجيا شريحتك لا يستطيع أي إنسان الاحتفاظ بها في ذاكرته العاملة.

2. المعالجة — لعب لعبة التوزيع. يضع وكيل التعلم المعزز المكونات واحدًا تلو الآخر على لوحة السيليكون. وبعد كل نقلة، يقيّم التخطيط الناشئ مقابل دالة مكافأة تعاقب على الأسلاك الطويلة والاختناق والبؤر الحرارية وانتهاكات التوقيت. ويلعب هذه اللعبة ملايين المرات، مطوِّرًا ما يسميه الباحثون «الحدس المتعلَّم» لفيزياء السيليكون.

3. المخرجات — تسليم تخطيط موثَّق فيزيائيًا. غالبًا ما تبدو مخططات التوزيع الناتجة فوضوية للعيون البشرية: تقع الكتل الكبرى (Macros) في عناقيد غير منتظمة، وتظهر سُحب المنطق بلا شكل محدد. يسمي الباحثون هذه «التخطيطات الغريبة». لكنها عند محاكاتها تتفوق باستمرار على التصاميم البشرية لأن الذكاء الاصطناعي حسَّن لتدفق الإلكترونات لا للترتيب البصري.

الميزة الحاسمة لفرق الامتثال والمراجعة الهندسية لديك: يدعم هذا الأسلوب لوحات معلومات للذكاء الاصطناعي القابل للتفسير (XAI) تعرض مسار مكافأة الوكيل. يمكنك تتبع بدقة أي قيود — الاختناق أم التوقيت أم الحرارة — دفعت إلى كل قرار توزيع. ويمكنك إثبات أن التخطيط ذا المظهر غير المألوف هو استجابة محسوبة لبؤرة اختناق لم يلاحظها مهندسوك البشريون. هذا يحوّل الصندوق الأسود إلى سجل قرارات قابل للتدقيق.

الميزة البنيوية الثانية هي التعلم الانتقالي. وخلافًا للتلدين المحاكى الذي يبدأ من الصفر في كل مرة، فإن وكيل التعلم المعزز المدرَّب مسبقًا على تصاميم شرائح متنوعة يحمل معه كل ما تعلمه. فقد دُرِّب وكيل AlphaChip من Google مسبقًا على وحدات التحكم بالذاكرة وأنوية TPU وتصاميم RISC-V مفتوحة المصدر. وعندما واجه كتلة TPU جديدة لم يرها من قبل، تقارب إلى تخطيط فائق البشرية في ساعات، بينما استغرقت الفرق البشرية أسابيع في المهمة نفسها. كل شريحة جديدة يصممها وكيلك تجعله أذكى للشريحة التالية. وتصبح مكتبة عمليات التسليم السابقة لديك أصلًا تدريبيًا — لا ملفات ميتة على خادم.