الضرورة الاستراتيجية للتعلم المعزز في هندسة السيليكون من الجيل التالي
تواجه صناعة أشباه الموصلات أزمة: تصغير الترانزستورات اصطدم بالحدود الذرية عند عقدي 3 نانومتر، بينما انفجر تعقيد التصميم متجاوزًا حدود الإدراك البشري. لقد توقف محرك التقدم التقليدي عن العمل.
تقدم Veriprajna الحل: وكلاء التعلم المعزز العميق التي تتعامل مع التخطيط المكاني للرقاقة بوصفه لعبة كالشطرنج، وتكتشف تخطيطات «فضائية» تضغط دورات التصميم من أشهر → ساعات مع تحقيق تحسين فائق بشري لمؤشرات PPA.
طوال 50 عامًا، وفّر قانون مور عائدًا يمكن التنبؤ به. لقد انتهى ذلك العصر. لقد دخلنا نظامًا حيث تقاوم الفيزياء.
انهار تصغير دينارد عام 2005. يتذبذب قانون مور عند عقدي 3 نانومتر/2 نانومتر حيث تكلفة الترانزستور الواحد في ارتفاع، لا في الانخفاض. ويهيمن السيليكون المظلم والنفق الكمي وخفض الأداء الحراري.
تحتوي رقاقات SoC الحديثة على مليارات الترانزستورات عبر آلاف وحدات الماكرو. إن تبادلات الوضع الأمثل تتجاوز عدد ذرات الكون المرئي. الحدس البشري عاجز عن التوسع.
تعتمد أدوات EDA التقليدية على التلدين المحاكى المستورد من ثمانينيات القرن العشرينوهي خوارزميات بلا ذاكرة تبدأ من الصفر في كل تشغيل، محاصرة في الحدود الدنيا المحلية، وعاجزة عن «رؤية» الحل الأمثل الشامل.
«انتهى زمن 'الغداء المجاني' من التسريعات التلقائية الناجمة عن التصغير الليثوغرافي. لقد انتقل عنق الزجاجة من بوابة الترانزستور إلى السلك. أصبح الترتيب الهندسي الآن المحدد الأهم على الإطلاق لأداء الرقاقة—ومع ذلك ما زلنا نستخدم قواعد استرشادية من حقبة تصميمات بمقياس الميكرون.»
— الورقة التقنية الصادرة عن Veriprajna، 2024
يعيد Veriprajna صياغة التخطيط المكاني للرقاقة من مسألة تحسين ساكنة إلى لعبة اتخاذ قرارات متتابعة—كالشطرنج أو الغو—يتعلم فيها وكلاء التعلم المعزز استراتيجيات فائقة بشريًا.
وكما لا يحسب أستاذ الشطرنج الكبير كل نقلة بل يعتمد على حدس مطابقة الأنماط، يطور وكلاء التعلم المعزز «حدسًا فيزيائيًا» تجاه السيليكون عبر خوض ملايين مباريات التخطيط المكاني.
يصاغ التخطيط المكاني بوصفه MDP متتابعة يحدث فيه كل قرار وضع الحالة ويؤثر في الخيارات اللاحقة—مما يتيح تكيفًا ديناميكيًا مستحيلًا على أدوات الوضع التحليلية.
وكلاء التعلم المعزز، المتحررون من الأذواق الجمالية البشرية، يولدون تخطيطات تبدو فوضوية بصريًا لكنها تتفوق باستمرار على تصميمات «مانهاتن» البشرية. إن «الفوضى» هي في حقيقتها فرط تحسين—تقليل المسافة الإقليدية للشبكات الحرجة بأساليب تعجز عنها الهندسة البشرية الجامدة.
الفيزياء قبل الجماليات
يفضل المصممون البشريون الصفوف والأعمدة المنتظمة سهلة الإدراك. لكن الذكاء الاصطناعي يكتشف أن أقصر مسار للإشارة نادرًا ما يكون خطًا رئيسيًا مستقيمًا—بل هو نسج متشابك عبر الفراغ المتاح يستوفي قوانين كيرشوف بدقة نانوثانية.
شاهد كيف يتخذ وكيل التعلم المعزز قرارات وضع متتابعة ملائمًا استراتيجيته كلما تشكل التخطيط—بعكس أدوات الوضع التحليلية التي تحسم جميع المواضع دفعة واحدة ثم تحاصر في الأمثل المحلي.
يتعلم الوكيل تقليل طول الأسلاك مع الموازنة بين الازدحام وانتهاكات التوقيت والكثافة الحرارية—تحسين متعدد الأهداف يتجاوز قدرة المحاكاة الذهنية البشرية.
تمثل AlphaChip من Google لحظة «سبوتنيك» للذكاء الاصطناعي في EDA—أول برهان دقيق على أن التعلم المعزز العميق يستطيع التفوق على فرق الخبراء البشر في سيليكون بمعايير تجارية.
شبكة عصبية رسومية مبتكرة تعالج قائمة شبكة الرقاقة بوصفها فراغرافًا لا نصًّا. تحدث التمثيلات صراحةً للبوابات (العقد) وللأسلاك (الحواف) معًا.
بنية برأسين: شبكة السياسة تتنبأ باحتمالية أفضل نقلة تالية؛ شبكة القيمة تقدر جودة الرقاقة النهائية من حالة جزئية.
مُدرَّب مسبقًا على رقائق متنوعة (CPU وTPU وRISC-V). ويتعلم مبادئ عامة مثل «وضع الكتل كثيفة التوجيه في المنتصف يسبب ازدحامًا.» يبدأ ذكيًا لا عشوائيًا.
التحسين القريب للسياسة (Proximal Policy Optimization)—نفس الخوارزمية الكامنة وراء RLHF في ChatGPT. توازن بين الاستكشاف والاستغلال وتمنع انهيار السياسة الكارثي.
خلافًا للتلدين المحاكى الذي يصفَر عند كل تشغيل، تزداد AlphaChip ذكاءً باستمرار مع كل رقاقة تصممها. دربتها Google على كتل TPU v3 ثم طبقتها على v4 وv5e وv5p وTrillium—وكل تكرار يحسن «حدس تصميم الرقائق» المعمم لدى الوكيل.
انتقل تصميم الرقائق بالتعلم المعزز من الأوراق الأكاديمية إلى عمليات tape-out إنتاجية تغذي ملايين الأجهزة حول العالم.
رقاقة SoC محمولة رائدة لأجهزة Android
استخدمت MediaTek مبادئ AlphaChip لتحسين التخطيطات المكانية لـ Dimensity 9400/9500 مستهدفةً تحديدًا الثالوث المقدس لسيليكون الهواتف: القدرة والأداء والمساحة (PPA). وقد نسب التنفيذيون صراحةً الفضل إلى «EDA الذكية» في تمكين تخطيطات حققت مقاييس رائدة في السوق.
إطار تعلم معزز لتخطيط الخلايا القياسية
بينما تولت Google التخطيط المكاني على مستوى الماكرو، استهدفت NVIDIA Research العالم المجهرِي للخلايا القياسية—تحسين التخطيط الداخلي للترانزستورات/الأسلاك في البوابات المنطقية الأولية (NAND وFlip-Flops) عند عقدي 3nm/2nm.
يجمع NVCell بين التلدين المحاكى للوضع الأولي وبين وكيل تعلم معزز للتوجيه التفصيلي وإصلاح مخالفات فحص قواعد التصميم (DRC)—ويتعلم المناورة عبر قيود التصنيع المعقدة على المستوى الذري.
من خلال تقليص مكتبة الخلايا القياسية ذاتها، تصبح كل رقاقة تبنى بتلك المكتبة أصغر وأكثر كفاءة. وهي هنا ميزة مضاعفة الأثر في منظومة EDA بأسرها.
أفادت باستخدام تدفقات مدفوعة بالذكاء الاصطناعي لتقليل القدرة بنسبة 8% على الكتل الحرجة وتحسين التوقيت بنسبة 50% خلال أسابيع بدلًا من أشهر.
يستشهد أساتذة من Harvard وNYU وGeorgia Tech بـ AlphaChip بوصفها «حجر أساس» للأبحاث الحديثة—تقدم علمي جوهري لا مجرد خاصية منتج.
أطلق نجاح MediaTek موجة «الخوف من التفويت» عبر صناعة أشباه الموصلات—وبات ينظر إلى تحسين PPA المدفوع بالتعلم المعزز بوصفه ضرورة تنافسية.
تمثل Google وNVIDIA البحث والتطوير لدى كبار مشغلي السحابة. يجسر Veriprajna الهوة بين الأوراق البحثية و تدفقات tape-out الإنتاجية في أسواق أشباه الموصلات للسيارات وإنترنت الأشياء والصناعة والمستهلك.
تقدم شركات استشارية كثيرة «ذكاء اصطناعي لـ EDA» لا يعدو كونه روبوتات محادثة تكتب نصوص Tcl البرمجية لأدوات قديمة. هذا يؤتمت الواجهة لا محرك التحسين.
ما يميز Veriprajna
نستبدل خوارزمية الوضع ذاتها بسياسات تعلم معزز. يتفاعل وكلاؤنا مباشرة مع قائمة الشبكة ومحرك الفيزياء متخذين ملايين قرارات الوضع استنادًا إلى حدس متعلَّم لا قواعد استدلالية مبرمجة سلفًا.
العقبة الأولى: وكلاء التعلم المعزز جائعون للبيانات. تمتلك معظم المؤسسات بيانات «وسخة»—تصاميم قديمة مبعثرة عبر خوادم بصيغ غير متسقة (LEF/DEF وGDSII).
البنية التحتية من Veriprajna
نبني لك بحيرة بيانات EDA—تستوعب الملفات القديمة وتوحّد الصيغ وتحولها إلى مجموعات بيانات لتدريب التعلم المعزز دون اتصال. عقدك من عمليات tape-out يصبح أصلًا تنافسيًا: «دماغ مؤسسي» مخصص.
عقبة ثقافية: الشبكات العصبية «الصندوق الأسود». يسأل المهندسون المخضرمون: «لماذا وضع مقسم الساعة هناك؟ هل هلوس؟»
لوحات XAI التفاعلية
نعرض بصريًا مسار المكافأة وعملية اتخاذ القرار لدى الوكيل. وتبرز خرائط الحساسية أي قيود (ازدحام أو توقيت أو حرارة) حفزت مواضع محددة—مثبتةً أن التخطيطات الفضائية هي استجابات فيزيائية محسوبة، لا فوضى.
يشير النقاد إلى ارتفاع تكلفة حوسبة GPU للتدريب. هذه عدسة خاطئة—فالمسألة استثمار لمرة واحدة مقابل تكلفة عمل دائمة.
يحسن Veriprajنا عبر تعلم النقل: تدريب نموذج أساس مسبقًا على OpenROAD/RISC-V ولا تتطلب مشاريع العملاء سوى الضبط الدقيق—ما يخفض الحوسبة بمراتب أسية كاملة.
أدركت Synopsys وCadence توجه الذكاء الاصطناعي. وإليك كيف يتميز نهج Veriprajna بالتعلم المعزز العميق عن حلول السائدين.
| الخاصية | Synopsys DSO.ai | Cadence Cerebrus | Veriprajna (تعلم معزز عميق) |
|---|---|---|---|
| التقنية الجوهرية | استكشاف فضاء التصميم (DSE) المدفوع بالذكاء الاصطناعي؛ يضبط معاملات الأداة. | تعلم معزز لضبط المعاملات وتحسين التدفق. | تعلم معزز عميق للتصميم الفيزيائي المباشر. الوكلاء يضعون وحدات الماكرو/الخلايا مباشرة. |
| مستوى التحسين | تحسين فوقي: يشغل الأداة القياسية مرات عديدة بإعدادات مختلفة (مقابض). | تحسين التدفق: يؤتمت خطوات تدفق RTL-to-GDS. | تحسين ذرّي: الوكيل هو أداة الوضع نفسها. يلعب لعبة الوضع. |
| القدرة «الفضائية» | منخفضة. لا تزال تعتمد على محركات الوضع التحليلية الكامنة. | متوسطة. تستطيع إيجاد إعدادات تدفق غير بديهية لكن التخطيط يبقى مقيدًا بالمحركات القديمة. | عالية. تولد طوبولوجيات جديدة جذريًا («تخطيطات فضائية»). |
| نطاق التعلم | خاص بالمشروع. كثيرًا ما يعيد التعلم للتصاميم الجديدة. | تعلم معزز مع بعض قدرات النقل. | نموذج أساس. مُدرَّب مسبقًا على مجموعات بيانات هائلة؛ تعلم نقل حقيقي عبر المعماريات. |
| الشفافية | منتج صندوق مغلق. | منظومة مغلقة الملكية. | مفتوح/قابل للتخصيص. العميل يمتلك السياسة والأوزان المدربة. |
| النموذج الاقتصادي | إضافة ترخيص مكلفة. | إضافة ترخيص مكلفة. | حل/خدمة. نبني القدرة داخل مؤسستك. |
التموضع الاستراتيجي: بينما تتقن DSO.ai وCerebrus تحسين المعاملات للتدفقات القائمة (إيجاد مستويات جهد التوليف الصحيحة)، يهدف Veriprajna إلى استبدال الخوارزميات ذاتها بسياسات متعلَّمة. نحن لا نضبط محرك الاحتراق الداخلي—بل نستبدله بمحرك كهربائي.
نمذجة أثر التخطيط المكاني المدفوع بالتعلم المعزز على اقتصاديات تصميم رقائقك
مفاهيم أساسية لفهم التعلم المعزز في تصميم الرقائق
شبكة عصبية تعالج البيانات المهيكلة بوصفها رسمًا بيانيًا (عقد وحواف). و«مركزية الحواف» تعني تحديث التمثيلات صراحةً للأسلاك (الحواف) وللبوابات (العقد) معًا—وهو حاسم لفهم ازدحام التوجيه.
قاعدة استرشادية قياسية لتقدير طول الأسلاك اللازم لتوصيل الأطراف. تحسب كنصف محيط الصندوق المحيط بجميع الأطراف. وتقليل HPWL هو الوكيل الأساسي لتقليل الكمون والقدرة.
إطار رياضي لنمذجة اتخاذ القرارات تكون فيه النتائج جزئيًا عشوائية وجزئيًا خاضعة للتحكم. وهو الأساس الصوري للتعلم المعزز. يعرف بالحالات والأفعال والمكافآت واحتمالات الانتقال.
خوارزمية تعلم معزز شائعة توازن بين سهولة التنفيذ وتعقيد العينات وسهولة الضبط. تستخدمها OpenAI (تدريب ChatGPT) وGoogle (AlphaChip). تمنع انهيار السياسة الكارثي أثناء التدريب.
تقنية تعلم آلة يعاد فيها استخدام نموذج دربت لمهمة ما كنقطة انطلاق لمهمة أخرى. في EDA: استخدام «الحدس» المتعلَّم من تصميم CPU للمساعدة في تصميم GPU—البداية ذكية لا عشوائية.
الثالوث المقدس لمقاييس تصميم الرقائق. القدرة = استهلاك الطاقة، الأداء = سرعة الساعة/معدل النقل، المساحة = حجم الشريحة. وهي أهداف متعارضة غالبًا تستلزم تحسينًا متعدد الأهداف.
ظاهرة تجبر فيها القيود الحرارية نسبة كبيرة من ترانزستورات الرقاقة على البقاء مطفأة في أي لحظة لمنع الانفلات الحراري—وهي نتاج انهيار تصغير دينارد.
خوارزمية تحسين تقليدية (الثمانينيات) تحرك الكتل عشوائيًا وتبرد النظام ليستقر عند حل. عيوبها القاتلة: بلا ذاكرة (لا تعلم) وتحاصر بسهولة في الحدود الدنيا المحلية.
قانون مور ميت. والطلب على الحوسبة—الذي يدفعه الذكاء الاصطناعي نفسه—يتسارع أسّيًا. وهذا التباعد يخلق أزمة لا يحلها سوى الذكاء الاصطناعي.
تجاوزوا الانحياز إلى تخطيطات «مانهاتن» المقروءة للبشر. واثقوا بنتائج الوكيل المتحقق منها فيزيائيًا. فأقصر طريق للإلكترونات نادرًا ما يكون الأكثر إرضاء للجمالية البشرية.
تصاميمكم القديمة أثمن ملكية فكرية تملكونها. نظفوها وخزنوها في بحيرة بيانات موحدة واستخدموها لتدريب ذكائكم الاصطناعي. ستغدو عمليات tape-out السابقة منهاج دراسة لنيل وكيل التعلم المعزز درجة الدكتوراه.
فريق التصميم النخبوي في المستقبل ليس 50 مهندسًا يمارسون التخطيط اليدوي، بل 5 مهندسين يوجهون أسطولًا من وكلاء التعلم المعزز يعملون على عنقود GPU. استبدلوا OPEX بـ CAPEX.
التعلم المعزز هو جهاز الإنقاذ. فهو يعيد تشغيل قلب الصناعة بفتح بعد جديد من التوسع: توسيع التعقيد. فإذا عجزنا عن جعل الترانزستورات أصغر بكثير وجب أن نرتبها بذكاء أكبر بكثير. الرقعة مصفوفة. والقطع تتحرك. حان الوقت لنترك الوكيل يلعب اللعبة.
يقف Veriprajna مستعدًا ليكون شريكك في هذا التحول. نحن لا نبيع أدوات؛ بل نوفر القدرة على تصميم المستحيل.
تحتوي رقاقات SoC الحديثة على مليارات الترانزستورات عبر آلاف وحدات الماكرو، ما يخلق تبادلات فضاء تصميم تتجاوز 10^100، أي أكثر من ذرات الكون المرئي. وتعتمد الأدوات التقليدية على خوارزميات التلدين المحاكى من الثمانينيات وهي بلا ذاكرة، تبدأ من الصفر في كل تشغيل وتحاصر في الحدود الدنيا المحلية. وإضافة إلى ذلك، انهار تصغير دينارد عام 2005 وأصبح تأخير الأسلاك يفوق تأخير البوابات، مما يجعل الترتيب الهندسي المحدد الأهم على الإطلاق لأداء الرقاقة، ومع ذلك صممت تلك الأدوات لحقبة من التصاميم بمقياس الميكرون.
تصوغ وكلاء التعلم المعزز التخطيط المكاني بوصفه عملية قرار ماركوف تكون فيها شريحة السيليكون هي الرقعة، وكتل IP هي القطع، وإحداثيات الوضع هي النقلات. وباستخدام Edge-GNN لترميز قائمة شبكة الرقاقة بوصفها فراغرافًا وPPO للتدريب، يلعب الوكلاء ملايين مباريات الوضع مطورين حدسًا فيزيائيًا للسيليكون. وتظهر التخطيطات «الفضائية» الناتجة فوضوية بصريًا لكنها في الحقيقة تقلل المسافة الإقليدية للشبكات الحرجة، محققة مؤشرات PPA أفضل بنسبة 10-15% لأن الإلكترونات تتبع الفيزياء لا الأفضلية البشرية للصفوف المنتظمة.
صممت AlphaChip من Google كتلًا لـ TPU v5 وTrillium (v6) ساهمت في تعزيز أداء 4.7x وتحسين كفاءة الطاقة بنسبة 67%. واستخدمت MediaTek مبادئ التعلم المعزز في Dimensity 9400/9500 محققة مكاسب أداء نواة واحدة بنسبة 35% وتحسينات كفاءة الطاقة بنسبة 40%. وطبق إطار NVCell من NVIDIA التعلم المعزز على تخطيط الخلايا القياسية عند 3 نانومتر، حيث طابقت 92% من الخلايا المساحة المصممة يدويًا أو فاقتها دون أي تدخل بشري. وأفادت Samsung Foundry بخفض الطاقة بنسبة 8% وتحسين التوقيت بنسبة 50% في الكتل الحرجة.
حل Veriprajna بالتعلم المعزز العميق لا يحسن دورات التصميم فحسب—بل يغير فيزياء تحسين السيليكون تغييرًا جوهريًا.
جدولة استشارة لاستكشاف كيف يستطيع التخطيط المكاني المدفوع بالتعلم المعزز أن يضغط زمن وصولكم إلى السوق وأن يفتح معمارات فضائية متحققًا منها فيزيائيًا.
تقرير هندسي كامل: بنية Edge-GNN وصياغة MDP وتفاصيل تدريب PPO ودراسات حالة من MediaTek/NVIDIA وتحليل مقارن لأدوات EDA ومراجع شاملة.