תכנון השבבים נתקל בקיר — AI הוא הדרך היחידה קדימה

הבעיה

מספר הדרכים האפשריות לסדר רכיבים על שבב מודרני עולה על מספר האטומים ביקום הנצפה. זו אינה מטאפורה. זו עובדה מתמטית אודות מרחב התכנון שבו מתמודדות קבוצות ההנדסה שלכם בכל פעם שהן מתחילות תוכנית פריסה (floorplan) חדשה. והכלים שאליהם הן נשענות כדי לנווט במרחב הזה הומצאו בשנות ה-80.

חוק מור — התבנית בת חמישים השנים שבה צפיפות הטרנזיסטורים מכפילה את עצמה מדי שנתיים — מת. ככל שהייצור דוחף אל גבולות האטום בצמתים של 3nm ומטה, הפיזיקה מגיבה. מנהור קוונטי, הגבלה תרמית (thermal throttling) וצווארי בקבוק בחיבורים בין-רכיביים סיימו את עידן השיפורים האוטומטיים בביצועים שהגיעו ממזעור טרנזיסטורים. העלות לכל טרנזיסטור בצמתים מתקדמים כעת עולה, ואינה יורדת. במקביל, בעיית "Dark Silicon" (הסיליקון הכהה) משמעותה שאחוז משמעותי מהטרנזיסטורים בשבב שלכם חייב להישאר כבוי בכל רגע נתון כדי למנוע התלהטות תרמית בלתי מבוקרת.

אך המשבר העמוק יותר אינו נוגע לפיזיקה של הייצור, אלא למורכבות התכנון. מעבד מתקדם מכיל מיליארדי טרנזיסטורים. מספר הסידורים האפשריים של אותם רכיבים — המותאמים לצריכת חשמל, ביצועים ושטח — חורג מ-10^100 תמורות. מהנדסים אנושיים, הנעזרים באלגוריתמים בני עשרות שנים, לכודים. הם אינם יכולים לדמות מנטלית את אפקט הדומינו של החלטת מיקום אחת על פני המערכת כולה. קבוצות התכנון שלכם הגיעו לתקרה קוגניטיבית נוקשה, והכלים שהן נשענות עליהם אינם מסוגלים לראות מעבר לה.

מדוע זה משנה לעסק שלכם

זו אינה בעיה מחקרית תאורטית. היא פוגעת ישירות בלוחות הזמנים שלכם, ברווחיות שלכם ובעמדה התחרותית שלכם.

תכנון שבבים כיום הוא עבודה איטרטיבית ומתישה הדורשת עבודת כפיים ומוח. קבוצות של מהנדסי תכנון פיזי (physical design) מומחים משקיעות שבועות או חודשים בכיול ידני של תוכניות פריסה כדי לתקן הפרות תזמון שהכלים האוטומטיים פסחו עליהן. כל שבוע של עיכוב הוא שבוע שבו המתחרה שלכם מתקדם.

הנה המספרים שאמורים להדאיג אתכם:

• ה-Trillium TPU של Google השיגו עלייה של 4.7x בביצועי מחשוב שיא וכן שיפור של 67% ביעילות אנרגטית בהשוואה לדור הקודם — הישגים המיוחסים ישירות לתכנון שבבים מבוסס AI שהחליף פריסה ידנית.
• ה-Dimensity 9400 של MediaTek סיפק +40% ביעילות חשמלית וכן +35% בביצועי ליבה בודדת בהשוואה לקודמו. בכירים בחברה ייחסו לכלי התכנון מבוססי ה-AI את האפשור של תוכניות הפריסה שמאחורי המספרים האלה.
• מסגרת NVCell של NVIDIA הפיקה פריסות standard cell שהיו קטנות ב-92% או שוות בשטחן לעיצובים שנעשו בידי מהנדסים מומחים — ללא שום התערבות אנושית.
• Samsung Foundry דיווחה על תהליכי עבודה מבוססי AI שהפחיתו צריכת חשמל ב-8% בבלוקים קריטיים ושיפרו תוצאות תזמון ביותר מ-50% תוך שבועות במקום חודשים.

אם המתחרים שלכם משווקים שבבים שתוכננו על ידי סוכני AI ואילו הקבוצה שלכם עדיין מזיזה בלוקים של זיכרון ביד, אתם לא רק איטיים יותר. אתם בעמדת נחיתות מבנית. הפער בין סיליקון שתוכנן על ידי AI לסיליקון שתוכנן על ידי בני אדם רק יתרחב, ככל שהמערכות האלה לומדות מכל שבב שהן נוגעות בו.

מה באמת קורה מתחת למכסה המנוע

כדי להבין מדוע הכלים הישנים נכשלים, חשבו על זה כך: דמיינו שאתם מסדרים מחדש ריהוט במחסן עם עשרת אלפים חדרים. כל חדר מתחבר לעשרות חדרים אחרים באמצעות מסדרונות ברוחבים שונים. הזזת שולחן בחדר 4 עלולה לחסום מסדרון קריטי אל חדר 7,000. אף בן אדם אינו מסוגל להחזיק את כל המפה הזאת בראש. זוהי בעיית פריסת השבבים (floorplanning).

האלגוריתם הסטנדרטי לתפקיד הזה נקרא Simulated Annealing (SA) — צימום מדומה. הוא פועל באמצעות הזזה אקראית של רכיבים ו"קירור" הדרגתי של המערכת עד להתייצבות על פתרון. ל-SA שני פגמים קטלניים. ראשית, הוא חסר זיכרון. בכל פעם שמריצים אותו, הוא מתחיל מאפס. הוא אינו לומד דבר מהריצה הקודמת. הוא לעולם אינו מעביר ידע מהשבב הקודם שלכם לשבב הבא שלכם. שנית, הוא נלכד במינימומים מקומיים — הוא מסתפק ב"טוב מספיק", כי הוא אינו רואה פתרון טוב יותר המסתתר מאחורי רכס של עלות גבוהה יותר.

צוואר הבקבוק האמיתי בשבבים מודרניים אינו הטרנזיסטור עצמו, אלא החוט. בתהליכי ייצור בקנה מידה ננומטרי, החיבורים הנחושתיים הזעירים שמעבירים אותות הם הגורם הדומיננטי להשהיה ולצריכת חשמל. אות חוצה שער לוגי בפיקו-שניות, אך ייתכן שיידרשו לו ננו-שניות כדי לעבור את כל הצ'יפ דרך מבוך של חוטים בעלי התנגדות. המשמעות: הסידור הגיאומטרי של הבלוקים — תוכנית הפריסה — הוא הגורם הקריטי היחיד המשפיע ביותר על ביצועי השבב שלכם. תוכנית פריסה גרועה אינה ניתנת לתיקון באמצעות טרנזיסטורים מהירים יותר.

מהנדסים אנושיים נוטים כברירת מחדל לפריסות "מנהטן" מסודרות ודמויות סריג, כי קל לבני אדם לקרוא ולנהל אותן. אך הפריסות האלה ממטבות את ההבנה האנושית, ולא את זרימת האלקטרונים. הן משאירות ביצועים שאינם ממומשים.

מה עובד (ומה לא)

שלוש גישות נפוצות שאינן עומדות במשימה:

• מעטפות LLM על גבי כלים ותיקים: חברות ייעוץ רבות מוכרות כיום "AI ל-EDA" שאינו אלא צ'אטבוטים הכותבים סקריפטים עבור הכלים הקיימים שלכם. זה מאוטומט את הממשק, אך אינו משנה את הפיזיקה של השבב שלכם.
• כיול פרמטרים (כמו Synopsys DSO.ai): המערכות האלה מריצות את הכלי הסטנדרטי שלכם פעמים רבות עם הגדרות שונות ובוחרות את התוצאה הטובה ביותר. הן ממטבות את הכפתורים על המנוע הישן, אך אינן מחליפות את המנוע עצמו.
• אוטומציה של תהליך העבודה (כמו Cadence Cerebrus): אלה מאוטומטים את השלבים בתהליך התכנון שלכם ויכולים למצוא הגדרות כלים שאינן מובנות מאליהן. אך אלגוריתמי המיקום שבבסיס נותרים כבולים למנועי הדור הישן.

מה שבאמת עובד הוא למידת חיזוק עמוקה (RL) — התייחסות לתכנון שבבים כאל משחק טורי, לא כאל בעיה מתמטית סטטית. כך זה עובד, בשלושה שלבים:

1. קלט — קריאת השבב כגרף. רשת עצבית גרפית (GNN) — סוג של AI המעבד נתונים הבנויים כרשתות של צמתים מחוברים — קולטת את רשימת החיבורים (netlist) כולה שלכם. היא לומדת אילו בלוקים מחוברים בצפיפות גבוהה, אילו נתיבים קריטיים לתזמון, והיכן צפוי להופיע עומס. זה מעניק לסוכן "מפה" של הטופולוגיה של השבב שלכם, שאף בן אדם אינו מסוגל להחזיק בזיכרון העבודה שלו.

2. עיבוד — משחק משחק המיקום. סוכן ה-RL ממקם רכיבים אחד בכל פעם על בד הסיליקון. אחרי כל מהלך, הוא מעריך את הפריסה המתהווה מול פונקציית תגמול המענישה על חוטים ארוכים, עומס, נקודות חמות תרמיות והפרות תזמון. הוא משחק את המשחק הזה מיליוני פעמים, ומפתח את מה שחוקרים מכנים "אינטואיציה נלמדת" לפיזיקת הסיליקון.

3. פלט — מסירת פריסה מאומתת פיזיקלית. תוכניות הפריסה המתקבלות נראות לעיתים קרובות כאוטיות לעין אנושית. המקרו-רכיבים יושבים באשכולות לא סדירים. ענני הלוגיקה נראים חסרי צורה. חוקרים מכנים אלה "Alien Layouts" — פריסות זרות. אך בהדמיה, הן מנצחות בעקביות עיצובים אנושיים, משום שה-AI מיטב את זרימת האלקטרונים, ולא את הסדר החזותי.

היתרון הקריטי עבור קבוצות הרגולציה והסקירה ההנדסית שלכם: הגישה הזאת תומכת ב-לוחות מחוונים של Explainable AI (XAI) המציגים את מסלול התגמול של הסוכן. אתם יכולים לאתר בדיוק אילו אילוצים — עומס, תזמון, חום — הניעו כל החלטת מיקום. אתם יכולים להוכיח שפריסה שנראית חריגה היא תגובה מחושבת לנקודת עומס שהמהנדסים האנושיים שלכם לא הבחינו בה. זה הופך קופסה שחורה לשובל החלטות הניתן לביקורת.

היתרון המבני השני הוא למידת העברה (transfer learning). בניגוד ל-Simulated Annealing, שמתחיל מאפס בכל פעם, סוכן RL שאומן מראש על מגוון עיצובי שבבים נושא עמו את כל מה שלמד. סוכן AlphaChip של Google אומן מראש על בקרי זיכרון, ליבות TPU ועיצובי RISC-V בקוד פתוח. כשנתקל בבלוק TPU חדש ובלתי מוכר, הוא התכנס לפריסה על-אנושית תוך שעות. קבוצות אנושיות השקיעו שבועות באותה משימה. כל שבב חדש שהסוכן שלכם מתכנן הופך אותו לחכם יותר לקראת הבא. ספריית ה-tape-outs מהעבר שלכם הופכת לנכס אימון — ולא לקבצים מתים על שרת.