← أحدث الأبحاث
🤖 AI

SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes

تقترح الورقة البحثية إطار عمل SCALE، وهو إطار عمل ذاتي الإشراف يستفيد من نموذج لغوي توليدي لإنشاء بيانات اصطناعية لانتهاكات قواعد تصميم الدوائر المتكاملة (DRC)، وضبط نموذج رؤية-لغة متكيف مع المجال، مما يؤدي إلى تحسين معدل نجاح إصلاح انتهاكات قواعد التصميم الموضعية في عمليات تصميم التوصيل والوضع عند عقد أشباه الموصلات المتقدمة التي تقل عن 2 نانومتر بشكل كبير.

المؤلفون الأصليون: Chia-Tung Ho, Haoyu Yang, Guanglei Zhou, Yoshi Nishi, Yaguang Li, Walker Turner, Cunxi Yu, Yiran Chen, Brucek Khailany

نُشر 2026-07-27
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Chia-Tung Ho, Haoyu Yang, Guanglei Zhou, Yoshi Nishi, Yaguang Li, Walker Turner, Cunxi Yu, Yiran Chen, Brucek Khailany

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 تحاول بناء ناطحة سحاب من قطع "ليغو" مجهرية، لكن التعليمات مكتوبة بلغة سرية تتغير في كل مرة ترمش فيها بعينيك. هذا هو عالم تصميم الرقائق الحديث، حيث يحاول المهندسون حشر مليارات الترانزستورات الصغيرة داخل شريحة سيليكون أصغر من ظفر الإصبع. ومع صغر حجم هذه الرقائق — وهي تدخل الآن عصر "ما دون 2 نانومتر"، أي أصغر من عرض فيروس واحد — تصبح القواعد التي تحدد كيف يمكن للقطع أن تتلامس، أو تتداخل، أو تجلس بجانب بعضها البعض معقدة للغاية. هذه القواعد، التي تسمى "قواعد التصميم"، تشبه كود بناء صارم للغاية: إذا كان سلكان قريبين جداً من بعضهما، فقد يحدث ماس كهربائي في الشريحة؛ وإذا كانت الفتحة صغيرة جداً، فلن تتمكن الكهرباء من التدفق. عملية التحقق من هذه الأخطاء تسمى "التحقق من قواعد التصميم" (DRC)، وإصلاحها هو كابوس حقيقي. إذا وجد الكمبيوتر خطأً، فإنه عادة ما يكتفي بالإشارة إليه قائلاً: "خطأ!"، تاركاً المهندسين البشر في حيرة من أمرهم لتخمين كيفية إصلاحه دون كسر شيء آخر في مكان قريب.

مؤخراً، بدأ العلماء في تعليم الحواسيب أن تكون أكثر ذكاءً باستخدام "نماذج اللغات الكبيرة" (LLMs) — وهي نفس نوع الذكاء الاصطناعي الذي يمكنه كتابة القصص أو الأكواد البرمجية. لكن هناك عقبة: هذه الأنواع من الذكاء الاصطناعي بارعة في قراءة النصوص، لكنها سيئة جداً في فهم الصور الهندسية المعقدة. إذا عرضت على ذكاء اصطناعي قياسي صورة لتخطيط شريحة، فقد "يهلوس" (يختلق أشياء من خياله)، مثل عدّ عدد الثقوب بشكل خاطئ أو تفويت فجوة ضئيلة قد تسبب كارثة. كان السؤال الكبير هو: هل يمكننا تعليم الذكاء الاصطناعي ليس فقط رؤية الشريحة، بل وأيضاً فهم كود البناء السري وإصلاح الأخطاء تلقائياً؟

هذا هو بالضبط ما سعى الباحثون وراء ورقة "SCALE" لحله. لقد أدركوا أنه لتعليم الذكاء الاصطناعي كيفية إصلاح هذه الرقائق المتناهية الصغر، يتعين عليهم أولاً إنشاء مكتبة ضخمة من "الأخطاء" للتدرب عليها. ولكن هنا تكمن المشكلة: الرقائق الحقيقية عادة ما تكون مثالية (لأنها خضعت بالفعل للفحص)، لذا لا توجد تقريباً صور حقيقية لرقائق معيبة لعرضها على الذكاء الاصطناعي. ولتجاوز ذلك، بنى الفريق نظاماً ذكياً يتكون من خطوتين. أولاً، علموا الكمبيوتر أن يعمل ككاتب مبدع يمكنه "تخيل" تخطيطات رقائق معيبة. قاموا بتغذية النظام بأوصاف نصية لأجزاء الشريحة وطلبوا منه ملء الفراغات، مما أدى إلى إنشاء آلاف التصاميم الجديدة التي تبدو واقعية وقد تحتوي على انتهاكات للقواعد. ثم استخدموا برنامج فحص صناعي صارم للغاية لمسح هذه التصاميم الخيالية وتحديد مكان كسر القواعد بدقة. منحهم هذا مجموعة بيانات ضخمة من "الرقائق المعيبة" مع الإجابات الصحيحة.

باستخدام هذه المكتبة الجديدة، قاموا بتدريب ذكاء اصطناعي "خبير" خاص (نموذج لغوي بصري - Vision-Language Model) للنظر إلى تخطيط الشريحة، ورصد الانتهاك، وشرح لماذا خرق القواعد، تماماً كما يفعل مهندس مخضرم. أخيراً، قاموا بربط هذا الذكاء الاصطناതി الخبير بروبوت برمجي قياسي. فعندما يجد الروبوت مشكلة، يهمس له الذكاء الاصطنافي الخبير بالحل: "مهلاً، حرك هذا السلك بمقدار نانومترين إلى اليسار، ولكن لا تلمس الجار المجاور". كانت النتائج مبهرة؛ ففي 100 تصميم شريحة من العالم الحقيقي كانت تواجه مشاكل، تمكن هذا الفريق من حل ما بين 12% إلى 25% من المشكلات أكثر مما يمكن لـ "روبوتات البرمجة" حلها بمفردها، لتصل نسبة النجاح إلى 97%.

تجادل الورقة البحثية صراحة ضد فكرة أن نماذج الذكاء الاصطناعي الجاهزة (مثل تلك التي قد تدردش معها عبر الإنترنت) مستعدة لهذه المهمة. فقد أظهروا أنه بدون تدريب خاص، غالباً ما "تهلوس" هذه النماذج بوجود ميزات غير موجودة، مثل عدّ نقاط الاتصال بشكل خاطئ أو سوء فهم قواعد المسافات، مما يؤدي إلى إصلاحات تخلق أخطاءً أكثر. كما دحضوا فكرة أنه يمكنك مجرد كتابة نص برمجي (Script) لتوليد هذه الأخطاء؛ حيث أظهرت عمليات المحاكاة الخاصة بهم أن النصوص البرمجية البسيطة تنتج أنماطاً مملة ومتكررة لا تشبه الرقائق الحقيقية، بينما أنتجت طريقتهم القائمة على التعلم الذاتي تنوعاً واقعياً ومتنوعاً من المشكلات.

الآلفات واثقة جداً من نتائجها لأنهم اختبروا ذلك على تصاميم رقائق حقيقية من عالم الواقع من تقنية "ما دون 2 نانومتر"، وليس مجرد محاكاة مصطنعة. لقد قاسوا معدل النجاح من خلال معرفة ما إذا كان التصميم النهائي قد اجتاز جميع الفحوصات الصناعية الصارمة دون إدخال أخطاء جديدة. وبينما يشيرون إلى إمكانية استخدام هذه الطريقة لمهام أخرى معقدة في تصميم الرقائق في المستقبل، فإن نتائجهم الحالية محددة بإصلاح أخطاء التخطيط الموضعية. لقد وجدوا أنه من خلال الجمع بين ذكاء اصطنافي يعتمد على النصوص (لتوليد بيانات التدريب) وذكاء اصطنافي يعتمد على الرؤية (لتحليل الصور)، استطاعوا جسر الفجوة بين الذكاء الاصطنافي العام وقواعد التصنيع السرية والخاصة جداً، مما يجعل عملية إصلاح هذه "ناطحات السحاب المجهرية" أسرع وأكثر موثوقية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →