Искусственный интеллект превзошел человека в проектировании микросхем.

       Источник изображения: industry-hunter.com

       Недавнее исследование, проведенное специалистами Google и опубликованное в Nature, показало, как можно использовать искусственный интеллект для улучшения применяемых в настоящее время методов проектирования полупроводниковой продукции, которые являются результатом более чем 60-летних усилий ученых и инженеров. В документе описывается программный агент, который может проектировать микросхемы, последовательно размещая макроблоки, из которых она состоит. Агент, представляющий собой глубокую нейронную сеть, обучается с использованием парадигмы, называемой обучением с подкреплением, когда положительные изменения фиксируются как возможные решения, а отрицательные изменения отбрасываются, позволяя строить своего рода дерево решений, которое оптимизируется на каждом шаге.

       ИИ пока применяется не на всех этапах разработки микрочипов, но в ближайшие годы ситуация наверняка изменится. Сейчас речь идет об этапе планирования компоновки, который на самом деле является одним из наиболее кропотливых. По сути, разработчики размещают на кристалле макроблоки — заранее подготовленные участки схемы, расположение которых относительно друг друга и остальных компонентов микросхемы имеет первостепенное значение с точки зрения производительности и эффективности. Люди могут размещать макроблоки, лишь следуя определенной системе, которую они могут понять, тогда как у ИИ нет этого ограничения. В результате ИИ может создать более выигрышный вариант. В качестве примера на иллюстрации выше показана компоновка, выполненная людьми, справа — ИИ.

       К тому же работа проектировщиков представляет собой кропотливый и длительный процесс, который может занимать недели или месяцы. ИИ, описанный в исследовании, может создавать планировки, которые лучше по сравнению с разработанными людьми, за считанные часы, экономя огромное количество времени.

       ИИ даже продемонстрировал способность решать проблемы размещения, с которыми он никогда раньше не сталкивался. Исследователи объясняют это тем, что система была обучена на очень большой базе готовых конструкций. При этом варианты, созданные программой после обучения, оказались лучше исходных, разработанных людьми.