Развитие систем искусственного интеллекта, алгоритмов машинного обучения и успешность методологий, основанных на данных, послужили стимулом к тому, что различные области электронного приборостроения начали активно использовать эти технологии для лучшей оптимизации, производительности и эффективности выпуска микросхем. В статье описаны возможности применения искусственного интеллекта в процессе проектирования чипов. Отдельное внимание уделено эволюции интеллектуальных систем и их поэтапной интеграции в производственные процессы. Также представлены конкретные примеры использования искусственного интеллекта в задачах выбора дизайна микросхем, обнаружения их дефектов и тестирования.

Ключевые слова: микросхема, дефект, производство, дизайн, модель.

The development of artificial intelligence systems, machine learning algorithms and the success of data-driven methodologies have stimulated various areas of electronic engineering to make extensive use of these technologies, for better optimisation, performance and efficiency in chip fabrication. The paper describes the possibilities of using artificial intelligence in the circuit fabrication process. Special attention is paid to the evolution of intelligent systems and their step-by-step integration into manufacturing processes. Specific examples of the use of artificial intelligence in the tasks of chip design, defect detection and testing are also considered.

Keywords: microcircuit, defect, production, design, model.

Полупроводники используются во всех существующих на сегодняшний день электронных устройствах, что ставит проектирование микросхем в центр технологических инноваций. Под постоянным давлением необходимости разрабатывать более быстрые, дешевые и емкие микросхемы с использованием достижений Четвертой промышленной революции, производители вывели традиционное проектирование, выпуск и проверку микросхем на новый уровень.

Применение искусственного интеллекта (ИИ) в электронных схемах и системах открывает широкие возможности, расширяя границы достижимого в современных вычислительных системах и технологиях. Это объединение породило динамичную и развивающуюся область, известную как схемы и системы с искусственным интеллектом Artificial Intelligence Circuits and Systems

(AICAS) [1]. Революционные достижения в AICAS стали краеугольным камнем для решения сложных задач, стоящих перед различными отраслями, и привели к трансформации восприятия и взаимодействия с широкой сферой микросхем. По прогнозам, в 2025 году объем рынка в этой отрасли составит около 617 млрд дол., и, согласно оценкам, он будет постоянно расти, достигнув к 2033 году рыночной стоимости около 1,14 трлн. дол. Это связано с постоянным совершенствованием уже существующих продуктов, а также с внедрением новых технологий, например, сетей 5G.

Над задачами разработки и тестирования микросхем с использованием приложений ИИ работают многие ключевые игроки IT-индустрии. Кроме того, появление квантовых вычислений и более активное внедрение различных чипов ИИ в робототехнику стимулируют рост мирового рынка. В 2025 году полупроводниковые гиганты инвестировали около 345 млн. дол. в инструменты ИИ для проектирования микросхем, а к 2026 году эта сумма, как ожидается, вырастет до 500 млн. дол. ИИ играет двойную роль в процессах проектирования и изготовления микросхем: он выступает в качестве ключевого рычага для оцифровки производственных процессов, с одной стороны, а с другой — поддерживает технологию производства полупроводников для оптимизации операций и контроля параметров процесса по мере продвижения технологий к полупроводниковым узлам нанометрового масштаба [2].

Основные цели использования технологий ИИ — снижение затрат, экономия времени, улучшение качества и повышение надежности промышленных процессов. Технологии ИИ применяются для обеспечения эффективности и результативности выпуска микрочипов путем решения сложных ситуаций в рамках ограничений заданных систем. С учетом вышеизложенного, изучение перспектив преобразующего воздействия ИИ практически на все процессы изготовления микросхем — от итераций до создания прототипов и производства, составляет важную научно-практическую задачу, которая и предопределила выбор темы данной статьи.

Исследование эффективности интеграции технологий ИИ в большие и сложные модели данных для ускорения планирования, разработки и выполнения проектирования и производства чипов проводят Шафигуллина А. Ю., Климов Д. И., Мамедов Т. Т., Jingkai Zhou, Xinmiao Liu, Hong Zhou, Siyu Xu, Junsheng Xie.

Критический анализ различных методов машинного и глубокого обучения, которые позволяют точно и эффективно проектировать электронные схемы, удовлетворяя требованиям по мощности, производительности, времени цикла разработки и безопасности представлен работами Харитоновой Ю. С., Савиной В. С., Юрчика П. Ф., Olalekan J. Akintande, Daniel N. Cassenti, Vladislav D. Veksler.

Изучение имеющихся публикаций по теме исследования свидетельствует об ее актуальности и широком внимании ученых к различным аспектам. Однако, в связи с постоянным совершенствованием технологий и появлением цифровых инноваций, существующие наработки требуют уточнения и пересмотра. Так, в критическом анализе нуждаются последние достижения в использовании глубоких сверточных нейронных сетей и графовых нейронных сетей для ускорения рабочего процесса проектирования цифровых микросхем. Кроме того, нераскрытым остается потенциал ускорителей проектирования чипов на базе ИИ, которые позволяют реализовать различные методы распараллеливания, включая экспертный параллелизм, конвейерный параллелизм, тензорный параллелизм и контекстный параллелизм.

Таким образом, цель статьи заключается в рассмотрении возможностей оптимизации процессов производства микросхем с использованием ИИ.

Прежде всего, кратко охарактеризуем историю внедрения технологий ИИ в процессы проектирования, изготовления и тестирования микросхем.

1. Появление специализированного оборудования: такого как графические процессоры (GPU) и, позднее, блоки тензорной обработки (TPU), стало важной вехой в начале интеграции ИИ в производство микросхем. Эти аппаратные достижения позволили получить необходимую вычислительную мощность, которая требовалась для обработки сложных алгоритмов ИИ, что существенным образом расширило горизонты их использования.
2. Разработка нейроморфных вычислений стала значительной вехой в развитии систем интеллектуального анализа, которая начала находить свое применение на разных этапах изготовления микросхем. В качестве примера можно привести такие нейроморфные чипы, как TrueNorth и Loihi. Благодаря им были созданы мощные системы автоматизированного проектирования печатных плат [3].
3. Следующим этапом стало появление вычислений в памяти. Эта технология позволила устранить узкое место, которое было связано с перемещением данных между процессором и памятью. На основании этого удалось существенным образом повысить эффективность и производительность систем ИИ. Еще одно преимущество заключается в том, что пространство проектирования микросхем стало более простым, а значит поиск оптимальных конструкций ускорился.
4. Квантовые вычислительные схемы открыли новые возможности оптимизации мощности при изготовлении микросхем, которые также позволяют удовлетворить многочисленные ограничения, связанные со стоимостью, продолжительностью производства.
5. Программное и аппаратное обеспечение с открытым исходным кодом. Появление фреймворков с открытым исходным кодом сделало более простым доступ к схемам и системам ИИ. Это стало стимулом к созданию совместной среды для инноваций и разработок.

В таблице 1 авторами обобщены ключевые сферы применения технологий ИИ в процессах производства микросхем, которые дают возможность ускорить и дифференцировать разработку продуктов, а также улучшить точность операций.

Таблица 1

Области использования систем ИИ для производства микросхем

Приведем некоторые практические примеры использования ИИ в ходе создания и выпуска микросхем.

Проектирование микросхем. Ключевые процессы, которые предусматривает проектирование микросхем, традиционно основывались на справочных методах. Они требовали от инженеров очень тщательного планирования, моделирования и проведения анализа многочисленных комбинаций [4]. Несмотря на то, что такие инструменты, например, как SPICE-симуляция или программное обеспечение CAD (Computer-Aided Design) позволили упростить некоторые процедуры, они все же предполагают вмешательство человека, а это, как известно, чревато ошибками и в ряде случаев низкой эффективностью. Роль технологий искусственного интеллекта в данном случае проявляется в следующем.

1. Автоматизация процессов создания схем. Технологии ИИ способны вывести на новый технологичный и соответственно качественный уровень задачу проектирования схем. Вместо ручного моделирования соединений между элементами, алгоритмы ИИ проводят анализ требуемых спецификаций и с учетом уже имеющихся конструкций генерируют предварительную схему. Впоследствии эта схема может быть дополнена или оптимизирована, но первичный этап компоновки значительно ускоряется. На рис. 1 представлен пример работы алгоритма поиска CircuitVAE, который встраивает вычислительные графы в непрерывное пространство проектирования микросхемы и оптимизирует изученный аналог физического моделирования методом градиентного спуска.

Рис. 1. Пример работы алгоритма поиска CircuitVAE

Алгоритм поиска CircuitVAE учится встраивать схемы в непрерывное латентное пространство и предсказывать метрики качества, такие как площадь и задержка, на основе заданных представлений.

2. Оптимизация макета с помощью искусственного интеллекта. После того как схема сгенерирована, ее необходимо преобразовать в физический формат. Традиционные методы требуют, чтобы проектировщики вручную наносили добавки и соединительные линии, что трудоемко, затратно и чревато ошибками [5]. Алгоритмы ИИ способны оптимизировать схему с учетом многочисленных ограничений, таких как плотность размещения элементов, энергопотребление и тепловой контроль.

В данном случае в качестве примера можно привести инструмент на базе ИИ Geppetto, позволяющий проектировать платы путем перетаскивания компонентов. Он также дает возможность моделировать чип в формате 3D, чтобы иметь представление, как он будет выглядеть (см. рис. 2).

Рис. 2. Инструмент для проектировки микросхем

Обнаружение дефектов. Исторически сложилось так, что инженерам приходилось вручную анализировать сигналы на входе и выходе линии, чтобы определить основные причины отказа. Данный процесс имеет ряд существенных недостатков — он медленный, дорогостоящий и требует огромных человеческих усилий. До недавнего времени эти знания передавались между основными командами по мере выявления новых видов дефектов и сигналов. Обычный ИИ значительно ускорил этот процесс, выявляя известные проблемы; однако традиционные модели обычно требуют значительной поддержки данных для сопоставления сигналов с основными причинами [6]. Новейшие итерации генеративного ИИ (GenAI) могут создавать синтетические данные для обучения как инженеров-людей, так и систем ИИ. Например, генеративная состязательная сеть (GAN) или диффузионная модель, обученная на таких шаблонах, как карты пластин, сигналы электронного тестирования или измерения статистического контроля процесса (SPC), продемонстрированные на небольшом наборе идентифицированных пластин, может быть использована для создания реалистичных примеров дефектов. Полученные результаты, например, вероятные области грубых отказов на пластинах — могут быть использованы для настройки последующих процессов.

Подводя итоги, отметим, что использование ИИ в процессах проектирования и изготовления микросхем, контроля дефектов и предиктивного обслуживания приводит к повышению эффективности и надежности производственного процесса. Более того, это позволяет снизить затраты при одновременном повышении производительности и оптимизации дизайна.

Литература:

1. Преображенский А. П. Моделирование производства интегральных микросхем с применением адаптивного управления // Современные проблемы радиоэлектроники и телекоммуникаций. 2023. № 6. С. 95.
2. Сычева Е. М., Ботоев Р. Т., Коновалов Д. Р. Интеграция искусственного интеллекта в процесс проектирования микросхем: методы и перспективы // Естественные и технические науки. 2023. № 11 (186). С. 26–28.
3. Samaneh Zare Harofte, Madjid Soltani Recent Advances of Utilizing Artificial Intelligence in Lab on a Chip for Diagnosis and Treatment // Small. 2022. Volume 18, Issue 42. Р. 76–83.
4. Kyurim Paek A high-throughput biomimetic bone-on-a-chip platform with artificial intelligence-assisted image analysis for osteoporosis drug testing // Bioengineering & Translational Medicine. 2022. Volume 8, Issue 1. Р. 90–97.
5. Кураедов В. И. Применение методов машинного обучения для оптимизации процесса генерации тестовых последовательностей при проектировании интегральных схем // Нейрокомпьютеры: разработка, применение. 2024. Т. 26. № 1. С. 14–22.
6. Zixuan Zhang, Xinmiao Liu Chengkuo Lee Advances in Machine-Learning Enhanced Nanosensors: From Cloud Artificial Intelligence Toward Future Edge Computing at Chip Level // Small Structures. 2023. Volume 5, Issue 4. Р. 103–109.