In der Welt der modernen Elektronik ist der Weg von einer digitalen Idee zu einem physischen Chip ein Marathon aus komplexen Entscheidungen. Bevor ein einziger Transistor auf Silizium geätzt wird, müssen Ingenieure durch eine riesige Landschaft von Einstellungen navigieren, die steuern, wie der Chip organisiert wird, wie seine internen Leitungen verlegt werden und wie seine Taktsignale synchronisiert werden. Diese Einstellungen sind die Regler der Maschine, und sie sind tief miteinander vernetzt; das Drehen eines Reglers zur Verbesserung der Geschwindigkeit kann versehentlich die Chipfläche verkleinern oder dazu führen, dass er zu viel Strom verbraucht. Da das Durchlaufen einer vollständigen Simulation dieser Einstellungen Stunden dauert, können Ingenieure nicht einfach jede Möglichkeit ausprobieren. Sie müssen strategisch vorgehen und entscheiden, welche Konfigurationen sie mit den teuersten, detailliertesten Werkzeugen testen und welche sie überspringen. Jahrzehntelang basierte dieser Prozess auf mathematischen Algorithmen, die den Chipentwurf als Black Box behandelten, aus jedem Test lernten, aber das tiefere Verständnis dafür, warum eine bestimmte Einstellung fehlschlug oder erfolgreich war, verloren, sobald der Test beendet war.

Kürzlich ist ein neues Werkzeug in diese Arena eingetreten: Large Language Models, die gleiche Art von künstlicher Intelligenz, die Geschichten schreiben oder Fragen beantworten kann. Diese Modelle haben vielversprechende Ansätze gezeigt, indem sie technische Handbücher und vergangene Entwurfsdatensätze lesen, um neue Einstellungen vorzuschlagen. Forscher der Fudan-Universität und der Chinesischen Universität von Hongkong fanden jedoch heraus, dass es nicht ausreicht, eine KI lediglich um Vorschläge zu bitten. In ihrer neuen Arbeit entdeckten sie, dass diese KI-Assistenten, um die komplekelle Aufgabe des Chip-Tunings wirklich zu meistern, einen Weg benötigen, um sich an das Gelernte zu erinnern – nicht nur für einen Moment, sondern dauerhaft. Sie entwickelten ein System, das den Tuning-Prozess von einer Reihe isolierter Vermutungen in einen kontinuierlichen, geschlossenen Kreislauf verwandelt, in dem jeder Fehler und jeder Erfolg aufgezeichnet, analysiert und genutzt wird, um den nächsten Schritt zu leiten.

Die Forscher, unter der Leitung von KunLong Li und Shangshang Yao, entwickelten ein System namens StateTune. Um zu verstehen, warum dies notwendig ist, stellen Sie sich einen Studenten vor, der versucht, ein schwieriges Rätsel zu lösen. Wenn der Student einen Hinweis betrachtet, eine Vermutung anstellt und dann den Hinweis sowie das Ergebnis der Vermutung sofort wieder vergisst, bevor er die nächste versucht, wird er das Muster niemals lernen. Frühere Methoden, die künstliche Intelligenz verwendeten, funktionierten ähnlich wie dieser vergessliche Student. Man bat die KI, einen neuen Satz von Einstellungen vorzuschlagen, testete diesen und verworf dann den Kontext dieses Tests, bevor man die nächste Vorschlag anforderte. Die KI hatte kein dauerhaftes Gedächtnis dafür, welche Kombinationen von Einstellungen dazu führten, dass der Chip fehlschlug oder welche zu einer besseren Leistung führten. Es war, als ob die KI bei jeder einzelnen Frage bei Null anfangen würde.

StateTune ändert dies, indem es der KI ein strukturiertes, permanentes Notizbuch gibt. Jedes Mal, wenn das System eine Konfiguration testet, zeichnet es nicht nur das Ergebnis auf; es analyst auch, warum dieses Ergebnis zustande kam. Wenn eine bestimmte Einstellung einen Timing-Fehler verursachte, schreibt das System eine Regel auf: „Wenn diese Einstellung hoch und jene niedrig ist, schlägt der Chip fehl.“ Entscheidend ist, dass das System skeptisch konzipiert ist. Es schreibt keine Regel basierend auf einem einzigen schlechten Ergebnis in sein dauerhaftes Gedächtnis. Stattdessen wartet es, bis es dasselbe Fehlermuster durch mindestens zwölf separate, hochwertige Tests bestätigt gesehen hat. Dies verhindert, dass die KI aus Unfällen oder Rauschen lernt. Sobald eine Regel verifiziert ist, wird sie in einem typisierten Speicher abgelegt, den das System lesen kann, wann immer es neue Ideen generieren oder entscheiden muss, welche Ideen es sich wert sind, getestet zu werden.

Dieses Gedächtnis tut mehr als nur Fakten zu speichern; es formt aktiv die Suche. Das System nutzt dieses kumulierte Wissen, um einen KI-Agenten zu leiten, der neue Einstellungen vorschlägt. Wenn das Gedächtnis eine Regel über eine bestimmte Art von Fehler enthält, wird die KI angewiesen, diese Einstellungen zu vermeiden. Wenn das Gedächtnis zeigt, dass ein bestimmter Parameter sehr empfindlich auf Änderungen reagiert, lenkt die KI ihre Aufmerksamkeit dorthin. Aber das System muss auch auf Ressourcen achten. Das Durchlaufen eines vollständigen, detaillierten Tests eines Chipdesigns ist teuer und zeitaufwendig. Die Forscher fügten eine zweite Ebene der Intelligenz hinzu, um zu entscheiden, welche der vielen vorgeschlagenen Ideen diesen teuren Test verdienen. Sie entwickelten eine Methode, die abschätzt, wie sehr eine neue Idee das Gesamtdesign im Vergleich zu der Zeit, die für den Test benötigt wird, verbessern könnte. Dies stellt sicher, dass das begrenzte Zeitbudget nur für die vielversprechendsten Kandidaten aufgewendet wird, anstatt Zeit mit Ideen zu verschwenden, die zwar gut aussehen, aber unwahrscheinlich sind, das Endergebnis zu verbessern.

Um ihr System zu testen, wandten die Forscher StateTune auf einen realen industriellen Chip-Design-Flow von Cadence an, einem führenden Softwareunternehmen in der Halbleiterindustrie. Sie testeten es auf sechs verschiedenen Chipdesigns, die von Bildprozessoren bis hin zu Verschlüsselungseinheiten reichen, über zwei verschiedene Fertigungstechnologien hinweg. Sie verglichen StateTune mit fünf anderen Methoden, einschließlich Standard-Mathematik-Optimierungswerkzeugen und anderen KI-gestützten Ansätzen. Die Ergebnisse waren klar und konsistent. StateTune lieferte in jedem einzelnen Fall die besten finalen Designs. Es erreichte eine bessere Timing-Leistung, eine kleinere Fläche und einen geringeren Stromverbrauch als jede der anderen Methoden. Vor allem fand es eine bessere Gesamtbalance zwischen diesen konkurrierenden Zielen und schuf einen Satz von Lösungen, der den anderen Systemen überlegen war.

Die Forscher führten auch eine Reihe von Experimenten durch, um zu verstehen, was ihr System so gut arbeiten ließ. Sie entfernten das permanente Gedächtnis und stellten fest, dass die Leistung des Systems um mehr als die Hälfte sank. Dies bewies, dass das Gedächtnis der kritischste Teil des Designs war, weit wichtiger als die Fähigkeit der KI, eigenständig Ideen zu generieren. Sie testeten auch, was passiert, wenn sie die Regel entfernten, die zwölf Bestätigungen erforderte, bevor eine Lektion gespeichert wurde. Ohne diese Sicherheitsmaßnahme begann das System, falsche Regeln basierend auf schlechten Daten zu sammeln, und seine Leistung litt erheblich. Dies bestätigte, dass die Fähigkeit des Systems, Rauschen zu filtern und nur verifiziertes Wissen zu behalten, essenziell war. Darüber hinaus zeigten sie, dass das aus einem Chipdesign gelernte Wissen auf ein anderes Design übertragen werden konnte, um dem System einen Vorsprung zu verschaffen, anstatt bei Null anzufangen.

Die Studie befasste sich auch mit einem weit verbreiteten Missverständnis auf diesem Gebiet: dass es ausreicht, einfach eine KI in einen Tuning-Prozess einzubinden. Die Forscher fanden heraus, dass eine KI ohne strukturiertes Gedächtnis und ohne eine kluge Strategie, welche Tests durchgeführt werden sollen, in einigen Fällen schlechter abschnitt als zufälliges Raten. Die KI benötigt das Gedächtnis, um sich an das zu erinnern, was sie gelernt hat, und sie benötigt eine kluge Strategie, um zu wissen, wann sie diesem Gedächtnis vertrauen kann. Das von ihnen gebaute System, StateTune, kombiniert diese Elemente zu einem einzigen, kohärenten Prozess. Es betrachtet das Tuning eines Chips nicht als eine Reihe isolierter Experimente, sondern als eine kontinuierliche Lernreise, bei der jeder Schritt den nächsten informiert.

Die Auswirkungen dieser Arbeit erstrecken sich über nur eine Art von Chip hinaus. Da Chips immer komplexer werden und die Zeit für deren Design immer knapper wird, ist die Fähigkeit, effizient aus jedem Test zu lernen, von entscheidender Bedeutung. Die Forscher haben demonstriert, dass eine KI durch ein persistentes, evidenzbasiertes Gedächtnis den riesigen und komplizierten Raum der Chipdesign-Einstellungen weitaus effektiver navigieren kann als bisher. Sie haben nicht nur einen besseren Weg gefunden, um ein paar spezifische Chips zu tunen; sie haben einen neuen Weg aufgezeigt, wie künstliche Intelligenz mit komplexen technischen Systemen interagieren kann. Das System ist keine Magie und es löst das Problem nicht augenblicklich. Es ist ein disziplinierter, methodischer Prozess, der die Kosten des Testens und den Wert verifizierten Wissens respektiert. Indem sie den Tuning-Prozess in ein zustandsorientiertes (stateful), geschlossenes System verwandelt haben, haben die Forscher einen Bauplan dafür geliefert, wie zukünftige KI-Werkzeuge Ingenieuren helfen können, bessere, schnellere und effizientere Elektronik zu bauen. Die Arbeit steht als klarer Beweis dafür, dass in der hochriskanten Welt des Chipdesigns das mächtigste Werkzeug nicht nur die Fähigkeit zum Raten ist, sondern die Fähigkeit, sich zu erinnern und aus der Vergangenheit zu lernen.