⚡ electrical engineering

Simultaneous Multi-die Floorplanning and Technology Assignment

تقدم هذه الورقة أول إطار عمل منهجي للتخطيط المتزامن لمواقع القوالب المتعددة وتعيين التقنيات في التكامل غير المتجانس، وذلك عبر الاستفادة من تعلم الآلة للتقدير السريع لـ PPA (الأداء والقدرة والمساحة) لتحسين المساحة، وطول الأسلاك، والأداء، والطاقة، والتكلفة بشكل مشترك، مما يتفوق بشكل كبير على النهج الجشعة في كل من الدوائر المتكاملة ثنائية وثلاثية الأبعاد (2.5D و3D ICs).

المؤلفون الأصليون: Cristhian Roman-Vicharra, Prianka Sengupta, Runzhi Wang, Yiran Chen, Jiang Hu

نُشر 2026-04-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Cristhian Roman-Vicharra, Prianka Sengupta, Runzhi Wang, Yiran Chen, Jiang Hu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مهندس معماري مكلف ببناء مدينة ضخمة وعالية التقنية. ولكن، إليك هذه اللمسة المبتكرة: بدلاً من بناء كل شيء في قطعة أرض واحدة عملاقة، يتعين عليك بناء المدينة عبر عدة أحياء مختلفة. بعض الأحياء مبنية بمواد متطورة وباهظة الثمن وسريعة (مثل تقنية 7 نانومتر)، بينما تستخدم أحياء أخرى مواد قديمة وأرخص وأبطأ (مثل تقنية 45 نانومتر).

هذا هو تحدي التكامل غير المتجانس (Heterogeneous Integration) في شرائح الكمبيوتر الحديثة (مثل شرائح 2.5D و3D).

المشكلة: معضلة "البيضة والدجاجة"

في الماضي، كان المهندسون المعماريون (مصممو الشرائح) يختارون الحي أولاً، ويقررون نوع المواد المستخدمة، ثم يحاولون ترتيب المباني (الكتل الدائرية) لتناسب المكان.

لكن هذا البحث يشير إلى خلل في هذا المنطق. الأمر يشبه محاولة ترتيب الأثاث في غرفة قبل أن تعرف ما إذا كانت ستكون مكتبة هادئة أم مستودعاً ضخماً.

إذا وضعت معالجاً عالي السرعة في حي قديم، فقد يكون بطيئاً جداً.
إذا وضعت مستشعراً بسيطاً في حي عالي التقنية، فأنت تهدر المال.
إذا وضعت مبنيين يحتاجان للتواصل مع بعضهما في أحياء بعيدة، فإن "الأسلاك" التي تربطهما ستصبح طويلة وبطيئة.

الطريقة القديمة كانت تعتمد على التخمين حول أفضل حي لكل مبنى أولاً. يقول هذا البحث: "لا، دعونا نقرر أين نضع المباني وفي أي حي تنتمي في الوقت ذاته تماماً."

الحل: SMUFTA (المخطط الذكي للمدينة)

ابتكر المؤلفون نظاماً جديداً يسمى SMUFTA. فكر فيه كمخطط مدينة فائق الذكاء لا يكتفي فقط بالنظر إلى الخريطة، بل يحاكي أداء المدينة بأكملها في المستقبل قبل وضع حجر أساس واحد.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. "البلورة السحرية" (تعلم الآلة)

عادةً، لمعرفة حجم المبنى أو مقدار استهلاكه للطاقة، يجب عليك بناؤه فعلياً، وهذا يستغرق وقتاً طويلاً.
يستخدم هذا النظام "بلورة سحرية" لتعلم الآلة. فهي تنظر إلى المخططات (الكود) وتتنبأ فوراً بـ:

ما هو حجم هذه الكتلة في حي الـ 7 نانومتر مقابل حي الـ 45 نانومتر؟
كم ستستهلك من الطاقة؟
ما هي سرعتها؟

هذا يسمح للمخطط بإجراء آلاف السيناريوهات "ماذا لو" في ثوانٍ بدلاً من أيام.

2. المخططون الثلاثة (طرق التحسين)

يحاول النظام ثلاث طرق مختلفة لترتيب المدينة:

مخطط "التلدين المحاكى" (Simulated Annealing): تخيل طباخاً يتذوق الحساء. إذا كان مالحاً جداً، يضيف الماء. وإذا كان باهتاً، يضيف الملح. يستمر في تعديل الوصفة عشوائياً، لكنه يصبح أكثر حذراً ببطء مع مرور الوقت. هذا نهج كلاسيكي ثابت.
المخطط "البيزي" (Bayesian): هذا يشبه المحقق. ينظر إلى الأدلة التي جمعها حتى الآن ويستخدم الاحتمالات لتخمين الخطوة التالية الأفضل، بدلاً من التخمين العشوائي. إنه فعال جداً ولكنه قد يكون بطيئاً في الحساب.
مخطط "التعلم التعزيزي" (RL): هذا هو نجم العرض. تخيل شخصية في لعبة فيديو تتعلم لعب مستوى معين. في كل مرة يرتب فيها المباني بشكل جيد، يحصل على "درجة" (مكافأة). وفي كل مرة يرتكب فيها خطأً، يخسر نقاطاً. مع مرور الوقت، تتعلم الذكاء الاصطناعي الاستراتيجية المثالية لكل حي محدد.
- رؤية جوهرية: وجد البحث أن وجود وكيل ذكاء اصطناعي واحد لكل حي هو الأفضل. فالذكاء الاصطناعي الواحد الذي يحاول إدارة المدينة بأكملها يصاب بالارتباك، بينما يعرف المتخصص لكل حي بالضبط كيفية تحسين منطقته الخاصة.

3. "تحسين ما بين الأحياء"

بمجرد وضع المباني، يتحقق النظام من الاتصالات بين الأحياء. إذا كان هناك مبنيان يحتاجان للتواصل وكان بينهما مسافة كبيرة، فقد يقول النظام: "مهلاً، لننقل هذا المبنى إلى الحي الآخر لتقصير طول السلك". ويستمر في ذلك حتى تتوازن المدينة بأكملها بشكل مثالي.

4. مشكلة "المصعد" (شرائح 3D)

بالنسبة لشرائح 3D، تكون الأحياء مكدسة فوق بعضها البعض مثل طبقات الفطير (البانكيك). أنت بحاجة إلى "مصاعد" (تسمى TSVs) لنقل البيانات بين الطوابق.
يحتوي النظام على قاعدة خاصة: لا تسد المصاعد. فهو يضمن وجود مساحة كافية في المباني لوضع هذه التوصيلات الرأسية، أو يضيف "مساحات بيضاء" (قطع أراضٍ فارغة) خصيصاً لها.

النتائج: لماذا يهم هذا؟

اختبر الباحثون هذا على تصميمات شرائح حقيقية (مثل وحدات التحكم في الرسومات والمعالجات) باستخدام أدوات احترافية من الصناعة.

كانت النتائج واضحة:

الطريقة القديمة "التخمين والتحقق" (النهج الجشع/Greedy) كانت تشبه محاولة حل لغز عبر رمي القطع على اللوحة فقط. لقد نجحت، لكن الصورة كانت غير منظمة ومكلفة.
طريقة SMUFTA الجديدة، وخاصة نسخة التعلم التعزيزي، حلت اللغز ببراعة.
المكاسب: مقارنة بالطريقة القديمة، حققت الطريقة الجديدة توفيراً في:
- ~10-13% زيادة في السرعة (الأداء)
- ~7-9% أقل في الكهرباء (الطاقة)
- ~9% أصغر في الحجم (المساحة)
- ~5-7% أقل في التكلفة (المال)

الخلا الخلاصة

هذا البحث يمثل طفرة لأنه يتوقف عن معاملة "أين نبني" و"بماذا نبني" كخطوتين منفصلتين. بل يعاملهما كأحجية واحدة ضخمة ومتزامنة.

من خلال استخدام الذكاء الاصطناعي للتنبؤ بالمستقبل وتحسين كل شيء في آن واحد، يمكننا بناء شرائح كمبيوتر أصغر، أسرع، أرخص، وأكثر كفاءة في استهلاك الطاقة. إنه الفرق بين بناء مدينة عبر إسقاط المباني عشوائياً على خريطة، وبين استخدام حاسوب خارق لتصميم المدينة المثالية من الصفر.

إليك ملخص تقني مفصل لورقة البحث بعنوان "التخطيط المتزامن لمتعدد القوالب وتعيين التكنولوجيا" (Simultaneous Multi-die Floorplanning and Technology Assignment) من إعداد رومان-فيتشارا وآخرون.

1. تعريف المشكلة: SMUFTA

تتناول الورقة مشكلة التخطيط المتزامن لمتعدد القوالب وتعيين التكنولوجيا (SMUFTA)، وهي تحدٍ حاسم في التكامل غير المتجانس (الرقائق متعددة القوالب 2.5D والدوائر المتكاملة ثلاثية الأبعاد 3D ICs).

التحدي الجوهي: يفترض التخطيط التقليدي (Floorplanning) تقنيات وأبعاد ثابتة للقوالب. ومع ذلك، في الأنظمة غير المتجانسة، قد تستخدم القوالب المختلفة عقد تصنيع متباينة (مثل 7 نانومتر، 45 نانومتر). إن التعيين المسبق للقوالب لتقنيات محددة يكون غير مثالي لأنه يتجاهل التفاعل المعقد بين اختيار التكنولوجيا، وطول أسلاك التوصيل، والتوقيت، والطاقة، والتكلفة.
معضلة "البيضة والدجاجة": يتطلب تحديد التخطيط الأمثل معرفة أحجام القوالب (التي تعتمد على التكنولوجيا)، ولكن تحديد تعيين التكنولوجيا الأمثل يتطلب معرفة قيود التخطيط.
الهدف: الهدف هو تعيين دوائر الدوائر المتكاملة لقوالب محددة بشكل متزامن، وتحديد نسب أبعادها، وتحسين مواقعها الفيزيائية لتقليل دالة تكلفة مركبة ( $f$ $f$ ) تتكون من:
- طول الأسلاك ( $W$ ): إجمالي طول نصف المحيط (HPWL)، بما في ذلك التوصيلات داخل القالب وبين القوالب (Inter-die) (عبر الوسيط أو الـ TSV).
- الطاقة ( $P$ ): إجمالي الطاقة الديناميكية.
- التكلفة ( $C$ ): تكلفة التصنيع المستمدة من نموذج العائد (Yield model).
- التوقيت ( $T$ ): إجمالي السعة السالبة (Total Negative Slack - TNS).
القيود:
- حدود مساحة القالب ( $A_{min} \le A(d_i) \le A_{max}$ ).
- الحد الأقصى لعدد الشبكات بين القوالب ( $N_{max}$ ).
- جدوى الـ TSV في الـ 3D ICs (ضمان وجود مساحة للوصلات الرأسية).

2. المنهجية

يوظف إطار عمل SMUFTA عملية تحسين تكرارية مكونة من أربع مراحل، مع الاستفادة من تعلم الآلة (ML) للتقدير السريع لـ PPA (الأداء، الطاقة، المساحة).

أ. تقدير PPA عبر تعلم الآلة

بدلاً من تشغيل أدوات التصنيع والوضع والترتيب (P&R) المستهلكة للوقت لكل تكرار، يستخدم النظام نماذج تعلم آلة تعتمد على XGBoost (مدربة على بيانات ما بعد الوضع) لتقدير مقاييس PPA لكتل الدوائر بناءً على التكنولوجيا المخصصة لها ونسبة أبعادها. وهذا يسمح بالتقييم السريع أثناء حلقة التحسين.

ب. تدفق التحسين ذو المراحل الأربع

المرحلة الأولى: التعيين الأولي للقوالب
- يتم تعيين الكتل للقوالب بناءً على متوسط مساحة قالب مقدرة.
- يتم فرز الكتل حسب الحجم (بافتراض أقدم تكنولوجيا) وتعيينها للقوالب المرتبة حسب عقدة التكنولوجيا (من الأحدث إلى الأقدم).
- يتم تنقيح نسب أبعاد الكتل لتقليل هدف جزئي (الطاقة + TNS) باستخدام نماذج تعلم الآلة.
المرحلة الثانية: التخطيط داخل القالب (Intra-Die Floorplanning)
- يتم وضع الكتل المخصصة لقالب معين باستخدام تمثيل B-tree* (فعال للمخططات غير التقطيعية/non-slicing).
- يتم تقييم ثلاث تقنيات تحسين في هذه المرحلة:
  - التلدين المحاكى (Simulated Annealing - SA): يستخدم اضطرابات قياسية (التبديل، الإزالة-الإدراج، تغيير نسبة الأبعاد، الدوران).
  - التحسين البايزي (Bayesian Optimization - BO): يستخدم نموذج بديل لعملية غاوس (Gaussian Process) لتوجيه البحث بكفاءة.
  - التعلم التعزيزي (Reinforcement Learning - RL): يستخدم تحسين السياسة القريبة (PPO). يتم تدريب وكيل (Agent) مخصص لكل قالب لتعلم استراتيجيات الوضع الخاصة بالتكنولوجيا. يتم تعريف فضاء الحالة بواسطة ميزات B*-tree (ارتفاع العقدة، عدد الأبناء التراكمي، HPWL).
المرحلة الثالثة: التحسين بين القوالب (Inter-Die Refinement)
- للهروب من الحلول المحلية المثلى (Local Optima)، يتم إعادة تعيين الكتل بين القوالب بشكل دوري.
- تتداخل هذه الخطوة بين الاختيار الجشع (Greedy Selection) (اختيار الكتلة التي تحقق أقصى تحسن في الهدف) والاختيار العشوائي (لتشجيع الاستكشاف).
- لا يتم قبول عمليات إعادة التعيين إلا إذا كانت تستوفي قيود مساحة القالب.
المرحلة الرابعة: فرض جدوى الـ TSV (للـ 3D ICs فقط)
- يضمن وجود مساحة كافية للوصلات عبر السيليكون (Through-Silicon Vias - TSVs) التي تربط القوالب المكدسة رأسياً.
- يحسب الطلب على مساحة الـ TSV ويخصص "المساحة البيضاء" داخل الكتل أو عند حدود الكتل إذا لم تكن المساحة الفارقة الداخلية كافية.

3. المساهمات الرئيسية

أول دراسة منهجية: هذا هو العمل الأول الذي يعامل تعيين التكنولوجيا كمتغير ضمن التخطيط متعدد القوالب، مما يعالج فجوة كبيرة في أبحاث التكامل غير المتجانس.
حل مشكلة الاقتران: يوفر نهجاً منهجياً لحل معضلة "البيضة والدجاجة" بين التخطيط واختيار التكنولوجيا.
التحسين المتكامل مع تعلم الآلة: يدمج تقدير PPA القائم على تعلم الآلة مباشرة في حلقة التحسين، مما يسمي بتقييم مساحة واسعة من الحلول التي قد تكون مكلفة حاسوبياً باستخدام أدوات EDA التقليدية.
التعلم التعزيزي لأنظمة متعددة القوالب: يقدم نهج تعلم تعزيزي متعدد الوكلاء حيث يمتلك كل قالب وكيلاً مخصصاً، مما يثبت تفوقه على طرق الوكيل الواحد أو البحث العشوائي في التعامل مع القيود الخاصة بالتكنولوجيا.
التحقق: تم التحقق من الطريقة باستخدام أدوات تجارية (Synopsys Design Compiler، وCadence Innovus، وCadence Integrity) لكل من 2.5D و3D ICs، مما يضمن الصلة الصناعية.

4. النتائج التجريبية

قيم المؤلفون الطريقة باستخدام ستة اختبارات مرجعية (بما في ذلك OpenPiton وIWLS 2005) باستخدام تقنيات 45 نانومتر و7 نانومتر.

الأداء مقابل الخط المرجعي: مقارنة بالخط المرجعي الجشع (تقسيم hMetis + تخطيط SA)، حقق نهج SMUFTA-RL أفضل النتائج:
- الرقائق 2.5D: تحسن بنسبة ~11.6% في التوقيت (TNS)، وانخفاض بنسبة 9% في الطاقة، و9.6% في المساحة، و6.7% في التكلفة.
- الـ 3D ICs: تحسن بنسبة ~13.3% في التوقيت، و7.7% في الطاقة، و8.9% في المساحة، مع الحفاظ على جدوى الـ TSV.
مقارنة التقنيات:
- تفوق RL باستمرار على SA وBO من حيث جودة الحل.
- وقت التشغيل: بينما كان لـ RL وقت تشغيل أعلى من SA في بعض الحالات، إلا أنه كان غالباً أسرع من BO. ومن الجدير بالذكر أنه بالنسبة لتكوينات 4 قوالب، كان RL أسرع بمقدار 0.94 ضعف من الخط المرجعي مع تقديم جودة أفضل.
الـ Hard IPs: تعاملت الطريقة بنجاح مع "الـ Hard IPs" (الكتل ذات التكنولوجيا الثابتة)، ومع ذلك حققت تحسينات كبيرة (على سبيل المثال، تحسن بنسبة 12.8% في التوقيت) مقارنة بالخط المرجعي.
دراسات الاستئصال (Ablation Studies):
- تكرار التحسين ( $K$ ): تم العثور على أن تكرار التحسين الأمثل هو $K=20$ ؛ حيث أدى التحسين المتكرر جداً أو غير المتكرر كفاية إلى تدهور النتائج.
- بنية الوكيل: كان استخدام وكيل مخصص لكل قالب أمراً حاسماً؛ حيث فشل نهج الوكيل الواحد في التقارب، مما يسلط الضوء على الحاجة لالتقاط الفروق الدقيقة للتكنولوجيا الخاصة بكل قالب.

5. الأهمية

يغير هذا العمل بشكل جذري نموذج تصميم الدوائر المتكاملة غير المتجانسة. من خلال إثبات أن التحسين المتزامن للتخطيط وتعيين التكنولوجيا يعطي نتائج أفضل بكثير في PPAC (الأداء، الطاقة، المساحة، التكلفة) من النهج التسلسلي أو الجشع، فإنه يقدم مخططاً مستقبلياً لأتمتة تصميم 2.5D/3D. إن دمج تعلم الآلة للتقدير السريع والتعلم التعزيزي لاتخاذ القرارات المعقدة يوفر مساراً قابلاً للتوسع لتصميم الأنظمة الأكثر تعقيداً القائمة على الـ chiplets. تهدف الأعمال المستقبلية إلى توسيع هذا الإطار ليشمل الإدارة الحرارية وقيود الالتواء الميكانيكي.