השבב שנראה שגוי היה הטוב ביותר שראינו אי פעם
הבטתי בתכנון רצפה של שבב על הצג שלי בשתיים לפנות בוקר, והאינסטינקט הראשוני שלי היה שמשהו השתבש בצורה נוראית.
מקרו-הזיכרון היו מפוזרים כאילו מישהו התעטש על הקנבס. אשכולות הלוגיקה יצרו גושים חסרי צורה שהפרו כל עיקרון תכנון שהפנמתי לאורך שנים של לימוד ארכיטקטורות סיליקון. לא היו עמודות מסודרות, לא שורות סימטריות, לא רשת "מנהטן" מוכרת — רק מה שנראה כמו כאוס מאורגן.
ואז הרצתי את הסימולציה. אורך החיווט: ירד משמעותית. גודש: כמעט לא קיים. סגירת תזמון: נקייה יותר מכל דבר שהצוות שלנו הפיק בכלים קונבנציונליים. הפריסה שנראתה מקולקלת הייתה, לפי כל מדד פיזי שבאמת חשוב, טובה יותר.
זה היה הרגע שבו הבנתי — באופן קרביי, לא רק אינטלקטואלי — שעידן תכנון השבבים האינטואיטיבי-אנושי מגיע לקצו. ושהחברה שבניתי, Veriprajna, כוונה בדיוק לבעיה הנכונה. כי חוק מור אינו גווע ממחסור בפריצות דרך בפיזיקה. הוא גווע ממחסור בדמיון. וללמידת חיזוק יש דמיון שאין לנו.
מדוע חוק מור הפסיק לעבוד בפועל?
הנרטיב הפופולרי פשוט: הטרנזיסטורים אינם יכולים להיות קטנים יותר. וזה נכון בחלקו — בצמתי תהליך של 3nm ו-2nm, אתה נאבק במנהור קוונטי, בזרמי דליפה, ובפיזיקה תרמית שהופכים כל הקטנה נוספת לקשה ויקרה יותר באופן אקספוננציאלי.
אבל הנה מה שרוב האנשים מפספסים: הטרנזיסטור אינו צוואר הבקבוק יותר. החיווט הוא.
בשבבים מודרניים, אות יכול לחצות שער לוגי בפיקו-שניות. אבל לנוע דרך חיבורי הנחושת הזעירים המקשרים בין הרכיבים? זה לוקח ננו-שניות — סדרי גודל יותר. ההתנגדות והקיבול של אותם חוטים מיקרוסקופיים שולטים כעת הן בהשהיה והן בצריכת החשמל. מה שאומר שהסידור הגאומטרי של הרכיבים על השבב — תכנון הרצפה — הפך לגורם החשוב ביותר בקביעת המהירות והיעילות של אותו שבב.
תכנון רצפה גרוע אינו יכול להיוושע על ידי טרנזיסטורים מהירים יותר. הפריסה היא הביצועים.
זה החלק שהיכה בי בעוצמה הרבה ביותר כשהתחלנו להעמיק במחקר. במשך עשורים, התעשייה התייחסה לתכנון רצפה כמשימה במורד הזרם — חשובה, אך משנית לגבורות של ההקטנה הליתוגרפית. עכשיו כשההקטנה נעצרה, תכנון הרצפה הוא כל המשחק. והכלים שהשתמשנו בהם כדי לשחק אותו הם משנות ה-80.
האלגוריתם בן 40 השנה שמריץ את הטלפון שלך
אני צריך לספר לך על Simulated Annealing (חישול מדומה), כי להבין את מגבלותיו זה להבין מדוע ה-AI חשוב כאן.
Simulated Annealing — או בקיצור SA — הוא האלגוריתם סוס העבודה מאחורי מיקום הרכיבים ברוב כלי אוטומציית התכנון האלקטרוני (EDA) המסחריים. הוא פותח בשנות ה-80, בהשראת התהליך המטלורגי של חימום וקירור איטי של מתכת כדי להסיר פגמים. האלגוריתם מערבב רכיבים באופן אקראי, ומתקרר בהדרגה כדי להתייצב על פתרון.
זה נשמע אלגנטי. בפועל, יש לו שתי בעיות קטלניות.
ראשית, הוא חסר זיכרון. בכל פעם שאתה מריץ את SA על שבב חדש, הוא מתחיל מאפס. הוא לא למד דבר מהשבב האחרון שתכנן, או מזה שלפניו. תאר לעצמך אם בכל פעם ששחקן שחמט היה מתיישב אל הלוח, הוא היה שוכח כל משחק ששיחק אי פעם. זה SA.
שנית, הוא נלכד. נוף האופטימיזציה של שבב מודרני — מיליארדי טרנזיסטורים, אלפי אילוצים, מטרות סותרות עבור צריכת חשמל, ביצועים, ושטח — הוא שטח משוסע מלא עמקים ורכסים. SA מוצא עמק ומתיישב בו, לא מסוגל לתפוס שעמק עמוק בהרבה קיים ממש מעבר לרכס. הוא מסתפק ב"טוב מספיק" כי הוא פשוט לא מסוגל לראות "מצוין".
אני זוכר שיחה עם מהנדס תכנון פיזי ותיק — יותר מעשרים שנה בתעשייה — שאמר לי, בתסכול גלוי: "אני מבלה שלושה שבועות אחרי כל הרצת SA בהזזה ידנית של מקרו כדי לתקן את מה שהכלי טעה בו. אני צוות הניקיון של אלגוריתם שלא השתנה מהותית מאז שהייתי בקולג'."
זו תקרת הזכוכית הקוגניטיבית. לא רק מגבלות הכלי, אלא המחיר האנושי של הפיצוי עליהן. צוותים של מהנדסים מומחים מבלים שבועות בכיוונון ידני של פריסות, שורפים חודשים של זמן לוח שנה ומיליונים במשכורות, כי מנוע האופטימיזציה בליבת זרימת העבודה שלהם אינו מסוגל ארכיטקטונית למצוא את התשובה הטובה ביותר.
מה אם תכנון שבבים היה משחק?
זהו המסגור מחדש ששינה עבורי הכול.
בשנת 2021, Google פרסמה מאמר בכתב העת Nature המתאר את AlphaChip — סוכן למידת חיזוק עמוקה המתייחס לתכנון רצפה של שבב לא כאל בעיית אופטימיזציה, אלא כאל משחק. הלוח הוא פרוסת הסיליקון. הכלים הם רכיבי רשימת החיבורים — בלוקי זיכרון, אשכולות לוגיקה, ממשקי קלט/פלט. כל מהלך הוא מיקום רכיב בקואורדינטה מסוימת. הניקוד הוא הרכב של האיכויות הפיזיות של הפריסה הסופית: אורך חיווט, גודש, תזמון, צפיפות תרמית.
הסוכן משחק את המשחק הזה מיליוני פעמים. והוא לומד.
לא כללי אצבע. לא היוריסטיקות. הוא לומד מדיניות — אינטואיציה עמוקה ומותאמת-תבניות לגבי היכן דברים צריכים ללכת, שהתפתחה מתוך ניסיון גולמי עם הפיזיקה של פונקציית העלות. הוא לומד שמיקום בקרי זיכרון ליד קלט/פלט מפחית השהיה. הוא לומד שתבניות אשכול מסוימות ליחידות אריתמטיות ממזערות גודש. אף אדם לא תכנת את התובנות הללו. הסוכן גילה אותן כי הוא תוגמל על כך.
כתבתי על הארכיטקטורה הטכנית שמאחורי זה — רשתות העצבים הגרפיות מבוססות-הקצוות, ניסוח תהליך ההחלטה של מרקוב, פונקציות התגמול — במסמך העמדה האינטראקטיבי שלנו. אבל הפרט שהקפיא אותי לא היה המתמטיקה. זו הייתה למידת ההעברה.
כאשר Google אימנה מראש את הסוכן על מגוון מקבצי שבבים — ליבות TPU, בקרי זיכרון, ממשקי PCIe, תכנונים בקוד פתוח מבוססי RISC-V — הסוכן לא רק הצטיין באותם שבבים ספציפיים. הוא פיתח עקרונות כלליים של תכנון רצפה. כאשר הוצג בפניו מקבץ TPU חדש לחלוטין ובלתי-מוכר, הוא לא התחיל מאפס. הוא התחיל עם אינטואיציה. והוא התכנס לפריסה על-אנושית בשעות, לא בשבועות.
Simulated Annealing שוכח הכול אחרי כל הרצה. סוכן ה-RL נעשה חכם יותר עם כל שבב שהוא מתכנן.
זה לא שיפור מצטבר. זה מין אחר של כלי.
הפריסות החייזריות שבאמת עובדות
כאן הסיפור נעשה מוזר באמת.
מתכנני שבבים אנושיים מעדיפים את מה שהתעשייה מכנה פריסות "מנהטן" — רשתות ישרות-זווית מסודרות, בלוקי זיכרון בעמודות מסודרות, לוגיקה באזורים מלבניים. אנחנו מתכננים כך כי המוח שלנו זקוק לסדר חזותי כדי לנהל מורכבות. הרשת אינה אופטימלית לזרימת אלקטרונים; היא אופטימלית להבנה אנושית.
לסוכני RL אין את האילוץ הזה. הנאמנות שלהם היא לפיזיקה, לא לאסתטיקה. והפריסות שהם מייצרים נראות, בכנות, חייזריות. מקרו מפוזרים באשכולות לא-סדירים. עננֵי לוגיקה ללא תבנית גאומטרית ניכרת. סוג הסידור שהיה גורם למהנדס זוטר להיקרא למשרד המנהל שלו.
אבל כשמדמים את הפריסות החייזריות הללו, הן עולות בעקביות על התכנונים האנושיים. ה"כאוס" הוא למעשה צורה גבוהה יותר של סדר — היפר-אופטימיזציה הממזערת את המרחק האאוקלידי בפועל של רשתות אותות קריטיות בדרכים שהגאומטריה האנושית הנוקשה אינה יכולה להשיג.
התווכחתי עם חבר בצוות שלי על כך בשלב מוקדם. הוא הביט באחת מהפריסות הללו ואמר, "זו הזיה. הסוכן מבולבל." אמרתי, "הרץ את ניתוח התזמון." הוא עשה זאת. אפס נתיבי מרווח שלילי. הסוכן מצא פתרון שהיה פיזית עדיף בכל ממד מדיד אך בלתי-נתפס אסתטית עבור מהנדס מיומן.
זה הרגע שבו התחלנו לכנות זאת אפקט ה"דפיברילטור". חוק מור לא מת כי נגמרה לנו הפיזיקה. הוא נעצר כי נגמר לנו הדמיון התכנוני האנושי. סוכן ה-RL מזריק חיוניות לא-אינטואיטיבית ואופטימלית-פיזית לתהליך שהיה לכוד בתבניות קוגניטיביות אנושיות במשך עשורים.
מי כבר משתמש בזה — ומה התוצאות?
התוצאות הפנימיות של Google עם AlphaChip מרשימות. לאורך כמה דורות של תכנון TPU — v5e, v5p, ודור Trillium האחרון — הסוכן שימש בשיעור הולך וגדל של מקבצי תכנון. Google מדווחת ש-AlphaChip תרם לעלייה פי 4.7 בביצועי החישוב בשיא ולשיפור של 67% ביעילות האנרגטית ב-Trillium TPUs בהשוואה לדור הקודם.
אבל האימות החשוב ביותר עבור התעשייה הרחבה יותר הגיע מ-MediaTek.
MediaTek היא חברת מוליכים למחצה מסוג fabless מסחרית — אין לה תקציב מחשוב אינסופי כמו של Google או תוכנית שבבים שבויה. הם מוכרים לשוק הסמארטפונים של אנדרואיד התחרותי עד כאב, שבו שיפור של 5% בחיי הסוללה או הקטנה של 2% בשטח השבב קובעים אם תנצח או תפסיד בשקע תכנון. כאשר MediaTek אימצה תכנון רצפה מבוסס-RL עבור ה-SoC מסוג Dimensity 9400 שלה ודיווחה על +35% בביצועי ליבה בודדת, +40% ביעילות אנרגטית, ופי 2 בחישוב AI בצריכת חשמל נמוכה ב-33%, התעשייה שמה לב. מנהלי MediaTek זקפו במפורש לזכות ה"EDA החכם" ואלגוריתמי ה-RL שלהם את היכולת לייצר את תכנוני הרצפה שסיפקו את המספרים הללו — ובפרט את המיקום המיטבי של מטמון L3 ושל היררכיות בקר הזיכרון.
Samsung Foundry דיווחה על שימוש בזרימות דומות מונחות-AI כדי להפחית צריכת חשמל ב-8% בבלוקים קריטיים ולשפר את התזמון ביותר מ-50% — בשבועות ולא בחודשים. פרופסורים מהרווארד, מ-NYU, ומ-Georgia Tech ציטטו את גישת AlphaChip כ"אבן פינה" של מחקר תכנון שבבים מודרני.
זו אינה סקרנות מעבדתית. זהו סיליקון בייצור שמשווק במיליוני מכשירים.
מה קורה ברמה המיקרוסקופית?
מהפכת ה-RL אינה נעצרת במיקום המקרו. היא הולכת פרקטלית — עד לְמַטָּה, אל היחידות האטומיות של התכנון הדיגיטלי.
מסגרת NVCell של NVIDIA מיישמת למידת חיזוק על פריסת תא סטנדרטי — הסידור הפנימי של הטרנזיסטורים והחיווט בתוך אבני הבניין הבסיסיות כמו שערי NAND ונדנדות (flip-flops). בצמתי 3nm ו-2nm, כללי התכנון עבור התאים הללו מורכבים עד כאב. NVCell מייצר פריסות שקטנות ב-92% או שוות בשטח לתכנונים שנוצרו ידנית בידי מומחים, ללא כל התערבות אנושית.
האפקט המצטבר כאן הוא עצום. אם מקטינים את ספריית התאים הסטנדרטיים עצמה, כל שבב הנבנה עם אותה ספרייה נעשה קטן ויעיל יותר. זהו יתרון מכפיל המתפשט דרך כל המערכת האקולוגית של התכנון.
לפירוט הטכני המלא של הארכיטקטורה — כולל ניסוחי Edge-GNN, מרחבי המצב של MDP, וחזית הניתוב — ראו את מאמר המחקר שלנו.
מדוע אי אפשר פשוט לקנות את זה מ-Synopsys?
אנשים שואלים אותי את זה כל הזמן. ל-Synopsys יש את DSO.ai. ל-Cadence יש את Cerebrus. האם המובילים הקיימים לא כבר פותרים את זה?
הנה ההבחנה החשובה: הכלים הללו מייעלים את הכפתורים במנועים קיימים. הם אינם מחליפים את המנוע.
Synopsys DSO.ai הוא כלי חקר מרחב תכנון — הוא מריץ את מציב הרכיבים הסטנדרטי פעמים רבות עם הגדרות פרמטרים שונות ובוחר את התוצאה הטובה ביותר. Cadence Cerebrus משתמש בלמידת מכונה כדי לייעל את שלבי זרימת ה-RTL-to-GDSII. שניהם בעלי ערך. אף אחד מהם אינו מייצר פריסות חדשניות מהותית. הם מכווננים מנוע בעירה פנימית. אנחנו בונים מנוע חשמלי.
למידת חיזוק עמוקה לתכנון שבבים פירושה שהסוכן הוא המציב. הוא אינו מגדיר אלגוריתם מדור קודם; הוא מקבל את החלטות המיקום ישירות, מיליונים מהן, מונחה על ידי מדיניות נלמדת שאומנה על הפיזיקה של התכנון. כך מקבלים פריסות חייזריות. כך נמלטים מהמינימה המקומית שלכדה את התעשייה במשך עשורים.
ההבדל בין EDA נעזר-AI לבין EDA מבוסס-AI-מלידה הוא ההבדל בין GPS שמציע מסלולים לבין מכונית נהיגה עצמית.
המובילים הקיימים יגיעו לשם בסופו של דבר — הם חייבים. אבל כרגע, יש חלון שבו החברות הבונות יכולת RL עמוקה לתוך זרימות התכנון שלהן זוכות ביתרון מבני המצטבר עם כל דור שבבים.
בעיית האמון שאיש אינו מדבר עליה
הייתי לא כן אם לא הייתי מתייחס לחלק הקשה ביותר במעבר הזה, והוא אינו טכני. הוא תרבותי.
מהנדס ותיק עם שני עשורים של ניסיון מביט בפריסה חייזרית ושואל: "מדוע הסוכן מיקם את מחלק השעון שם? האם זו הזיה?" השאלה הזו לגיטימית. בתעשייה שבה tape-out פגום אחד יכול לעלות עשרות מיליוני דולרים, "סמוך על הקופסה השחורה" אינו תשובה מקובלת.
בילינו חודשים בבניית מה שאני חושב עליו כשכבת ההסברתיות — לוחות מחוונים שאינם רק מציגים את הפריסה הסופית אלא מדמיינים את מסלול התגמול של הסוכן. מפות רגישות החושפות אילו אילוצים — גודש, תזמון, חום — הניעו החלטות מיקום ספציפיות. כאשר מהנדס יכול לראות שהמיקום ה"מוזר" של מחלק השעון היה תגובה מחושבת לנקודת גודש חמה בשלוש שכבות ניתוב מעלה שהוא לא הבחין בהן, השיחה עוברת מ"אני לא סומך על זה" ל"הראה לי מה עוד הוא מצא".
זו העבודה האמיתית של הבאת ה-AI לתכנון שבבים. לא האלגוריתמים — אלה מפורסמים. לא המחשוב — זו בעיה של כרטיס אשראי. העבודה האמיתית היא לזכות באמונם של האנשים שעשו את זה במבריקות, ביד, לאורך כל הקריירה שלהם. אתה לא עושה זאת בכך שאתה אומר להם שהם מיושנים. אתה עושה זאת בכך שאתה מראה להם מה שהם לא יכלו לראות.
בעיית הנתונים המלוכלכים
המחסום האחר שאיש אינו מדבר עליו הוא נתונים. סוכני RL רעבים. ל-Google היה המותרות של מאגר מאוחד של כל TPU שאי פעם תוכנן. לרוב חברות המוליכים למחצה יש תכנונים מדור קודם מפוזרים לרוחב שרתים, בפורמטים שונים של קבצים — LEF/DEF, GDSII — עם מוסכמות שמות לא-עקביות ותיעוד חלקי.
ב-Veriprajna, חלק משמעותי ממה שאנחנו בונים הוא תשתית הנתונים: קליטת קובצי תכנון מדור קודם, ניקויָם ונרמולם, והמרתם למערכי נתוני אימון. ההיסטוריה של tape-outs של חברה — כל החלטת תכנון, כל תיקון תזמון, כל עקיפת גודש מהעשור האחרון — הופכת לנכס תחרותי כשהיא מובנית כראוי. אנחנו קוראים לזה המוח התאגידי, וזהו החפיר שגורם ללמידת ההעברה לעבוד עבור ארגונים שאינם Google.
כיצד עידן הפוסט-מור באמת נראה
הנה האמונה שלי, נאמרת בפשטות: אם איננו יכולים להקטין את הטרנזיסטורים בהרבה, עלינו לסדר אותם בחוכמה רבה יותר. זהו חוק קנה המידה החדש. לא קנה מידה ליתוגרפי. קנה מידה של מורכבות. והכלי היחיד המסוגל לנווט את הפיצוץ הקומבינטורי של תכנון שבבים מודרני הוא אינטליגנציה שלומדת, זוכרת, ומעבירה ידע בין תכנונים.
צוות התכנון העילי של העתיד אינו חמישים מהנדסים שעושים פריסה ידנית. הוא חמישה מהנדסים המנחים צי של סוכני RL על אשכול GPU, בוחנים פריסות חייזריות שעולות על כל מה שאדם יכול לשרטט, ובונים את מאגר הידע המוסדי שהופך כל שבב עוקב לטוב יותר מקודמו.
חוק מור לא מת מכישלון של הפיזיקה. הוא נעצר מכישלון של הדמיון התכנוני. למידת חיזוק היא הדמיון שהיה חסר לנו.
צפיתי במעבר הזה מקרוב מספיק כדי לחוש בהתנגדות ובהתרגשות במידה שווה. המהנדסים שמאמצים אותו אינם אלה שהיו גרועים בעבודתם — הם הטובים ביותר, אלה שתמיד ידעו שהכלים מעכבים אותם. הם מביטים בפריסה חייזרית ואינם רואים כאוס. הם רואים את התשובה שתמיד חיפשו, מגולמת בגאומטריה שידיהם לעולם לא יכלו לשרטט.
הלוח מסודר. הכלים בתנועה. הגיע הזמן לתת לסוכן לשחק.