החובה האסטרטגית של למידת חיזוק בארכיטקטורות סיליקון מהדור הבא
תעשיית המוליכים למחצה מתמודדת עם משבר: המיזעור של הטרנזיסטורים הגיע לגבולות האטומיים בצמתי 3nm, בעוד מורכבות התכנון התפוצצה מעבר למגבלות הקוגניטיביות של האדם. מנוע ההתקדמות המסורתי נעתק.
Veriprajna מספקת את הפתרון: סוכני למידת חיזוק עמוקה שרואים בתכנון פריסת השבבים משחק כמו שחמט, ומגלים פריסות "חייזריות" המכווצות את מחזורי התכנון מ־ חודשים → שעות תוך השגת אופטימיזציית PPA על-אנושית.
במשך 50 שנה חוק מור סיפק דיבידנד צפוי. העידן הזה הסתיים. אנו נמצאים כעת במשטר שבו הפיזיקה מתנגדת.
Dennard Scaling התמוטט ב-2005. חוק מור מאבד מכוחו בצמתי 3nm/2nm שבהם העלות-לטרנזיסטור עולה, ולא יורדת. Dark Silicon, מנהור קוונטי ומצערת תרמית שולטים בכיפה.
SoC מודרניים מכילים מיליארדי טרנזיסטורים על פני אלפי מאקרואים. מספר הפרמוטציות למיקום אופטימלי עולה על מספר האטומים ביקום הנצפה. האינטואיציה האנושית אינה יכולה להתרחב.
כלי EDA מסורתיים נשענים על Simulated Annealing משנות ה-80—אלגוריתמים חסרי-זיכרון המתאפסים בכל ריצה ונלכדים במינימומים מקומיים. הם אינם יכולים "לראות" את האופטימום הגלובלי.
"ה'ארוחה החינמית' של האצות האוטומטיות מההתכווצות הליתוגרפית הסתיימה. צוואר הבקבוק עבר משער הטרנזיסטור אל החוט. הסידור הגיאומטרי הוא כיום גורם הקביעה הקריטי היחיד של ביצועי השבב—ועדיין אנו משתמשים בכללי אצבע מעידן של תכנונים בקנה מידה של מיקרון."
— המאמר הטכני של Veriprajna, 2024
Veriprajna מנסחת מחדש את תכנון הפריסה מבעיית אופטימיזציה סטטית ל־ משחק קבלת החלטות עוקב—כמו שחמט או גו—שבו סוכני RL לומדים אסטרטגיות על-אנושיות.
כמו רב-אמן שחמט שאינו מחשב כל מהלך אלא נשען על אינטואיציה מבוססת-תבניות, סוכני RL מפתחים "אינטואיציה פיזיקלית" לסיליקון באמצעות משחק מיליוני משחקי פריסה.
תכנון הפריסה מנוסח כ-MDP עוקב שבו כל החלטת מיקום מעדכנת את המצב ומשפיעה על האפשרויות הבאות—ומאפשרת הסתגלות דינמית בלתי-אפשרית עבור ממקמים אנליטיים.
סוכני RL, שאינם כבולים להעדפות אסתטיות אנושיות, מייצרים פריסות כאוטיות חזותית שמניבות באופן עקבי תוצאות טובות יותר מתכנוני "מנהטן" אנושיים. ה"כאוס" הוא למעשה היפר-אופטימיזציה—מזעור המרחק האוקלידי של הרשתות הקריטיות בדרכים שהגיאומטריה האנושית הנוקשה אינה מאפשרת.
פיזיקה על פני אסתטיקה
מעצבים אנושיים מעדיפים שורות וטורים מסודרים מטעמי ניהול קוגניטיבי. ה-AI מגלה שנתיב האות הקצר ביותר הוא לעיתים רחוקות קו ישר צירי—אלא אריגה מורכבת בתוך המרחב הזמין, העומדת על חוקי קירכהוף בדיוק של ננו-שניות.
צפו כיצד סוכן RL מקבל החלטות מיקום עוקבות ומתאים את האסטרטגיה שלו ככל שהפריסה מתגבשת—בשונה מממקמים אנליטיים שפותרים את כל המיקומים בבת אחת ונלכדים באופטימות מקומיות.
הסוכן לומד למזער את אורך החוטים תוך איזון עומס, הפרות תזמון וצפיפות תרמית—אופטימיזציה רב-מטרית החורגת מיכולת הסימולציה המנטלית של האדם.
AlphaChip של Google מהווה את "רגע הספוטניק" של ה-AI ב-EDA—ההדגמה הקפדנית הראשונה לכך ש-RL עמוק יכול להתעלות על צוותי מומחים אנושיים בסיליקון ברמה מסחרית.
רשת נוירונים גרפית חדשנית המעבדת את נטליסט השבב כהיפרגרף—לא כטקסט. מעדכנת במפורש ייצוגים גם לשערים (צמתים) וגם לחוטים (קשתות).
ארכיטקטורה דו-ראשית: רשת המדיניות מחזה את ההסתברות למהלך הבא הטוב ביותר; רשת הערך מעריכה את איכות השבב הסופית מתוך מצב חלקי.
מאומן מראש על שבבים מגוונים (CPU, TPU, RISC-V). לומד עקרונות כלליים כמו "הצבה מרכזית של בלוקים עתירי-ניתוב גורמת לעומס." מתחיל חכם, לא אקראי.
Proximal Policy Optimization—אותו אלגוריתם שמאחורי ה-RLHF של ChatGPT. מאזן חקירה מול ניצול, ומונע קריסת מדיניות קטסטרופלית.
בשונה מ-Simulated Annealing שמתאפס בכל ריצה, AlphaChip הופך חכם יותר ויותר עם כל שבב שהוא מתכנן. Google אימנה אותו על בלוקים של TPU v3, ולאחר מכן יישמה אותו על v4, v5e, v5p ו-Trillium—כל איטרציה משפרת את ה"אינטואיציה" המוכללת של הסוכן לתכנון שבבים.
תכנון שבבים באמצעות RL עבר ממאמרים אקדמיים אל tape-outs בייצור המניעים מיליוני מכשירים ברחבי העולם.
SoC דגל נייד עבור מכשירי Android
MediaTek ניצלה עקרונות AlphaChip לאופטימיזציה של פריסות Dimensity 9400/9500, עם כוונון ממוקד אל השילוש הקדוש של סיליקון נייד: הספק, ביצועים, שטח (PPA). בכירים ייחסו במפורש ל-"smart EDA" את האפשרות להגיע לפריסות שהניבו מדדים מובילים בשוק.
מסגרת RL לפריסת Standard Cell
בזמן ש-Google התמודדה עם floorplanning ברמת המאקרו, NVIDIA Research כיוונה אל העולם המיקרוסקופי של Standard Cells—מיטוב הפריסה הפנימית של הטרנזיסטורים/החוטים בשערים לוגיים אטומיים (NAND, Flip-Flops) בצמתי 3nm/2nm.
NVCell משלבת Simulated Annealing למיקום ראשוני עם סוכן RL לניתוב מפורט ולתיקון Design Rule Check (DRC)—ולומד לנווט באילוצי הייצור המורכבים בקנה מידה אטומי.
באמצעות מיזעור ספריית התאים הסטנדרטיים עצמה, כל שבב הנבנה באמצעות הספרייה הזו הופך קטן ויעיל יותר. מדובר ב־ יתרון מכפיל בכל המערכת האקולוגית של EDA.
דווחה על שימוש בזרימות מונחות-AI להפחתת ההספק ב־ 8% בבלוקים קריטיים ולשיפור התזמון ב־ 50% תוך שבועות במקום חודשים.
פרופסורים מ-Harvard, NYU ו-Georgia Tech מגדירים את AlphaChip כ־ "אבן פינה" של המחקר המודרני—התקדמות מדעית יסודית, לא רק תכונת מוצר.
הצלחת MediaTek עוררה "Fear Of Missing Out" ברחבי תעשיית המוליכים למחצה—PPA מונחה-RL נתפס כיום כ־ הכרח תחרותי.
Google ו-NVIDIA מייצגות מחקר ופיתוח של hyperscaler. Veriprajna גושרת על התהום שבין מאמרי מחקר לבין זרימות tape-out בייצור עבור שווקי המוליכים למחצה של רכב, IoT, תעשייה וצריכה.
חברות ייעוץ רבות מציעות "AI ל-EDA" שמסתכם ב־ צ'אטבוטים שכותבים סקריפטים של Tcl עבור כלים ישנים. זה ממכן את הממשק, לא את מנוע האופטימיזציה.
ההבדלה של Veriprajna
אנו מחליפים את אלגוריתם המיקום עצמו במדיניות RL. הסוכנים שלנו מתקשרים ישירות עם הנטליסט ומנוע הפיזיקה, ומקבלים מיליוני החלטות מיקום על בסיס אינטואיציה נלמדת—לא היוריסטיקות מתוסרטות.
המחסום העיקרי: סוכני RL רעבים לנתונים. רוב הארגונים מחזיקים נתונים "מלוכלכים"—תכנונים ישנים הפזורים על שרתים בפורמטים לא עקביים (LEF/DEF, GDSII).
התשתית של Veriprajna
אנו בונים עבורכם EDA Data Lake—קולטים קבצים ישנים, מנרמלים פורמטים וממירים למערכי נתונים לאימון offline RL. עשור ה-tape-outs שלכם הופך לנכס תחרותי: "מוח ארגוני" מותאם אישית.
מכשול תרבותי: רשתות נוירונים ב"קופסה שחורה". מהנדסים ותיקים שואלים: "למה הוא הציב את מחלק השעון דווקא שם? האם הוא הוזה?"
לוחות מחוונים של XAI
אנו מציגים ויזואלית את מסלול התגמול ואת תהליך קבלת ההחלטות. מפות רגישות מדגישות אילו אילוצים (עומס, תזמון, תרמי) הניעו מיקומים ספציפיים—ומוכיחות שפריסות "חייזריות" הן תגובות פיזיקליות מחושבות, ולא כאוס.
מבקרים מצביעים על עלות החישוב הגבוהה של GPU לאימון. זו נקודת מבט שגויה—מדובר בהשקעה חד-פעמית מול עלות עבודה מתמשכת.
Veriprajna ממטבת באמצעות Transfer Learning: מאמנים מודל יסוד מראש על OpenROAD/RISC-V. מעורבות לקוח מצריכה כיוונון עדין בלבד—ומפחיתה את החישוב בסדרי גודל.
Synopsys ו-Cadence זיהו את מגמת ה-AI. כך שונה הגישה של Deep RL של Veriprajna מהפתרונות הקיימים.
| מאפיין | Synopsys DSO.ai | Cadence Cerebrus | Veriprajna (Deep RL) |
|---|---|---|---|
| הטכנולוגיה הליבתית | חקירת מרחב תכנון (DSE) מונחית-AI. כיוונון פרמטרים של כלים. | RL לכיוונון פרמטרים ולאופטימיזציה של זרימה. | Deep RL ל-Physical Design ישיר. הסוכנים ממקמים מאקרואים/תאים ישירות. |
| רמת האופטימיזציה | מטא-אופטימיזציה: מריצה את הכלי הסטנדרטי פעמים רבות עם הגדרות שונות (knobs). | אופטימיזציה של זרימה: ממכנת את שלבי זרימת RTL-to-GDS. | אופטימיזציה אטומית: הסוכן הוא הממקם עצמו. הוא משחק את משחק המיקום. |
| יכולת "חייזרית" | נמוכה. עדיין נשענת על מנועי מיקום אנליטיים קיימים. | בינונית. יכולה למצוא הגדרות זרימה לא-אינטואיטיביות, אך הפריסה מוגבלת על ידי מנועים ישנים. | גבוהה. מייצרת טופולוגיות חדשניות מיסודן ("פריסות חייזריות"). |
| היקף הלמידה | ספציפי לפרויקט. לרוב לומד מחדש עבור תכנונים חדשים. | RL עם יכולות העברה מסוימות. | מודל יסוד. מאומן מראש על מערכי נתונים עצומים; transfer learning אמיתי בין ארכיטקטורות. |
| שקיפות | מוצר קופסה שחורה. | מערכת אקולוגית קניינית. | פתוח/ניתן להתאמה. הלקוח הוא הבעלים של המדיניות המאומנת והמשקולות. |
| המודל הכלכלי | תוספת רישוי יקרה. | תוספת רישוי יקרה. | פתרון/שירות. אנו בונים את היכולת בתוך הארגון שלכם. |
מיצוב אסטרטגי: בעוד DSO.ai ו-Cerebrus מצטיינות באופטימיזציה של פרמטרים של זרימות קיימות (מציאת רמות מאמץ סינתזה נכונות), Veriprajna שואפת להחליף את האלגוריתמים עצמם במדיניות נלמדת. אנחנו לא מכוונים את מנוע הבעירה הפנימית—אנחנו מחליפים אותו במנוע חשמלי.
מדלי את השפעת floorplanning מונחה-RL על הכלכלה של תכנון השבבים שלך
מושגי יסוד להבנת RL בתכנון שבבים
רשת נוירונים המעבדת נתונים הבנויים כגרף (צמתים וקשתות). "Edge-centric" פירושו עדכון מפורש של ייצוגים גם לחוטים (קשתות) וגם לשערים (צמתים)—קריטי להבנת עומס הניתוב.
ההיוריסטיקה המקובלת להערכת אורך החוטים הדרוש לחיבור פינים. מחושב כחצי מהיקף התיבה החוסמת את כל הפינים. מזעור HPWL הוא הפרוקסי הראשי למזעור השהיה והספק.
מסגרת מתמטית למידול קבלת החלטות שבה התוצאות חלקן אקראיות וחלקן נשלטות. היסוד הפורמלי של למידת חיזוק. מוגדר על ידי מצבים, פעולות, תגמולים והסתברויות מעבר.
אלגוריתם RL נפוץ המאזן קלות מימוש, מורכבות דגימה וכיוונון. בשימוש OpenAI (אימון ChatGPT) ו-Google (AlphaChip). מונע קריסת מדיניות קטסטרופלית במהלך האימון.
טכניקת ML שבה מודל שאומן עבור משימה אחת מנוצל כנקודת הפתיחה למשימה שנייה. ב-EDA: שימוש ב"אינטואיציה" שנלמדה מתכנון CPU כדי לסייע בתכנון GPU—מתחילים חכם, לא אקראי.
השילוש הקדוש של מדדי תכנון השבבים. Power = צריכת אנרגיה, Performance = מהירות תדר/תפוקה, Area = גודל ה-die. אלה יעדים סותרים לעיתים קרובות הדורשים אופטימיזציה רב-מטרית.
תופעה שבה אילוצים תרמיים מכריחים אחוז משמעותי מהטרנזיסטורים בשבב להישאר כבויים בכל רגע נתון כדי למנוע בריחה תרמית—תוצאה של התמוטטות Dennard Scaling.
אלגוריתם אופטימיזציה מסורתי (שנות ה-80) שמזיז בלוקים באקראי ו"מקרר" את המערכת עד להתייצבות על פתרון. פגמים קטלניים: חסר זיכרון (בלי למידה) ונלכד בקלות במינימומים מקומיים.
חוק מור מת. הביקוש לכוח חישוב—המונע על ידי ה-AI עצמו—מאיץ בקצב אקספוננציאלי. הפער הזה יוצר משבר ש רק AI יכול לפתור.
עברו את ההטיה לטובת פריסות "מנהטן" קריאות לאדם. סמכו על תוצאות הסוכן המאומתות פיזיקלית. הנתיב הקצר ביותר עבור האלקטרונים הוא לעיתים רחוקות המרשים ביותר מבחינה אסתטית עבור בני אדם.
התכנונים הישנים שלכם הם הקניין הרוחני היקר ביותר שלכם. נקו אותם, אחסנו אותם באגם נתונים מאוחד והשתמשו בהם לאימון ה-AI שלכם. tape-outs מהעבר הופכים לתוכנית הלימודים לדוקטורט של סוכן ה-RL שלכם.
צוות התכנון העלית של העתיד אינו 50 מהנדסים העוסקים במיקום ידני, אלא 5 מהנדסים המכוונים צי של סוכני RL הרצים על אשכול GPU. החליפו OPEX ב-CAPEX.
למידת חיזוק היא הדפיברילטור. היא מחזירה את פעימות הלב של התעשייה על ידי פתיחת ממד חדש של סקיילינג: Complexity Scaling. אם איננו יכולים לעשות את הטרנזיסטורים קטנים בהרבה, עלינו לסדר אותם בחוכמה רבה הרבה יותר. הלוח מוצב. הכלים בתנועה. הגיע הזמן לתת לסוכן לשחק את המשחק.
Veriprajna ערוכה להיות שותפתכם בטרנספורמציה הזו. אנחנו לא מוכרים כלים; אנחנו מספקים את היכולת לתכנן את הבלתי-אפשרי.
SoC מודרניים מכילים מיליארדי טרנזיסטורים על פני אלפי מאקרואים, ויוצרים פרמוטציות של מרחב תכנון העולות על 10^100 — יותר מאטומים ביקום הנצפה. כלים מסורתיים נשענים על אלגוריתמי Simulated Annealing משנות ה-80, החסרי זיכרון, מתחילים מאפס בכל ריצה ונלכדים במינימומים מקומיים. בנוסף, Dennard Scaling התמוטט ב-2005 והשהיית החוטים עולה כיום על השהיית השערים, כך שהסידור הגיאומטרי הוא גורם הקביעה הקריטי היחיד של ביצועי השבב — אך הכלים תוכננו לעידן של תכנונים בקנה מידה של מיקרון.
סוכני RL מנסחים את תכנון הפריסה כתהליך החלטה מרקובי שבו die הסיליקון הוא הלוח, בלוקים של IP הם הכלים וקואורדינטות המיקום הם המהלכים. באמצעות Edge-GNN לקידוד נטליסט השבב כהיפרגרף ו-PPO לאימון, הסוכנים משחקים מיליוני משחקי מיקום ומפתחים אינטואיציה פיזיקלית לסיליקון. הפריסות ה"חייזריות" שנוצרות נראות כאוטיות חזותית אך למעשה ממזערות את המרחק האוקלידי של הרשתות הקריטיות ומשיגות מדדי PPA טובים ב-10-15%, משום שהאלקטרונים עוקבים אחר פיזיקה, לא אחר העדפות אסתטיות אנושיות לשורות מסודרות.
AlphaChip של Google תכננה בלוקים עבור TPU v5 ו-Trillium (v6), ותרמה לשיפור ביצועים של 4.7x ולשיפור יעילות אנרגיה של 67%. MediaTek השתמשה בעקרונות RL עבור Dimensity 9400/9500, עם רווחים של 35% בביצועי ליבה בודדת ו-40% ביעילות הספק. מסגרת NVCell של NVIDIA יישמה RL לפריסת תאים סטנדרטיים ב-3nm, כאשר 92% מהתאים השתוו או שפרו על שטח עבודת יד תוך דרישת אפס התערבות אנושית. Samsung Foundry דיווחה על הפחתת הספק של 8% ושיפור תזמון של 50% בבלוקים קריטיים.
פתרון ה-Deep RL של Veriprajna לא רק משפר מחזורי תכנון—הוא משנה מיסוד את הפיזיקה של אופטימיזציית הסיליקון.
קבעו ייעוץ כדי לגלות כיצד floorplanning מונחה-RL יכול לכווץ את ה-time-to-market שלכם ולפתוח ארכיטקטורות חייזריות המאומתות פיזיקלית.
דוח הנדסי מלא: ארכיטקטורת Edge-GNN, ניסוח MDP, פרטי אימון PPO, מקרי בוחן של MediaTek/NVIDIA, ניתוח EDA השוואתי ורפרנסים מקיפים.