SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes
El artículo propone SCALE, un marco de autoaprendizaje que aprovecha un modelo de lenguaje generativo para crear datos sintéticos de violaciones de DRC y ajustar un modelo de visión-lenguaje adaptado al dominio, mejorando significativamente la tasa de éxito de la corrección de violaciones de reglas de diseño de colocación y enrutamiento local en nodos semiconductores avanzados de sub-2nm.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina que estás intentando construir un rascacielos con piezas de Lego microscópicas, pero las instrucciones están escritas en un lenguaje secreto que cambia cada vez que parpadeas. Este es el mundo del diseño de chips modernos, donde los ingenieros intentan encajar miles de millones de transistores diminutos en un chip de silicio más pequeño que una uña. A medida que estos chips se vuelven más pequeños —entrando en la era "sub-2nm", que es más pequeña que el ancho de un solo virus—, las reglas sobre cómo los ladrillos pueden tocarse, solaparse o situarse uno al lado del otro se vuelven increíblemente complicadas. Estas reglas, llamadas "reglas de diseño", son como un código de edificación hiperestricto: si dos cables están demasiado cerca, el chip podría cortocircuitarse; si un agujero es demasiado pequeño, la electricidad no podrá fluir. Comprobar estos errores se llama "Verificación de Reglas de Diseño" (DRC, por sus siglas en inglés), y corregirlos es una pesadilla. Si una computadora encuentra un error, generalmente solo señala el punto y dice: "¡Incorrecto!", dejando a los ingenieros humanos adivinando cómo arreglarlo sin romper algo más cercano.
Recientemente, los científicos han estado enseñando a las computadoras a ser más inteligentes utilizando "Modelos de Lenguaje Extensos" (LLM)—el mismo tipo de IA que puede escribir historias o código. Pero hay un truco: estas IA son excelentes leyendo texto, pero terribles comprendiendo imágenes de geometría compleja. Si le muestras a una IA estándar una imagen del diseño de un chip, podría alucinar (inventar cosas), contando el número incorrecto de agujeros o pasando por alto un pequeño espacio que causa un desastre. La gran pregunta era: ¿Puede una IA aprender no solo a ver el chip, sino también a comprender el código de construcción secreto y corregir los errores automáticamente?
Esto es exactamente lo que los investigadores detrás del artículo "SCALE" se propusieron resolver. Se dieron cuenta de que para enseñar a una IA a arreglar estos chips diminutos, primero necesitaban crear una biblioteca masiva de "errores" para practicar. Pero aquí está el problema: los chips reales suelen ser perfectos (ya han sido verificados), por lo que casi no existen imágenes reales de chips rotos para mostrarle a la IA. Para sortear esto, el equipo construyó un sistema ingenioso de dos pasos. Primero, enseñaron a una computadora a actuar como un escritor creativo que puede "imaginar" diseños de chips defectuosos. Les dieron descripciones textuales de partes del chip y les pidieron que completaran los espacios en blanco, creando miles de nuevos diseños de chips con apariencia realista que podrían tener violaciones. Luego, utilizaron un verificador industrial superestricto para escanear estos diseños imaginarios y etiquetar exactamente dónde se rompían las reglas. Esto les dio un enorme conjunto de datos de "chips rotos" con las respuestas correctas.
Usando esta nueva biblioteca, entrenaron a una IA "experta" especial (un Modelo de Lenguaje-Visión) para que observe el diseño de un chip, detecte la violación y explique por qué rompió las reglas, tal como lo haría un ingeniero sénior. Finalmente, conectaron a esta IA experta a un robot de codificación estándar. Cuando el robot encontraba un problema, la IA experta le susurraba la solución: "Oye, mueve este cable dos nanómetros a la izquierda, pero no toques a ese vecino". Los resultados fueron impresionantes. En 100 diseños de chips reales que estaban teniendo problemas, este equipo logró resolver entre un 12% y un 25% más de problemas de los que los robots de codificación podrían resolver por sí solos, alcanzando una tasa de éxito de hasta el 97%.
El artículo argumenta explícitamente en contra de la idea de que los modelos de IA estándar (como los que podrías usar para chatear en línea) estén listos para este trabajo. Demostraron que, sin un entrenamiento especial, estos modelos a menudo "alucinan" características, como contar mal el número de puntos de conexión o malinterpretar las reglas de espaciado, lo que conduce a correcciones que crean aún más errores. También descartaron la idea de que simplemente se pueda escribir un guion para generar estos errores; sus simulaciones mostraron que los guiones simples producen patrones aburridos y repetitivos que no parecen chips reales, mientras que su método de aprendizaje autosupervisado creó una variedad de problemas diversa y realista.
Los autores están bastante seguros de sus hallazgos porque probaron esto en diseños de chips reales y actuales de un nodo tecnológico sub-2nm, no solo en simulaciones inventadas. Midieron la tasa de éxito observando si el chip final pasaba todas las estrictas verificaciones industriales sin introducir nuevos errores. Aunque sugieren que este método podría utilizarse para otras tareas complicadas de diseño de chips en el futuro, sus resultados actuales son específicos para la corrección de errores de diseño local. Encontraron que, al combinar una IA basada en texto (para generar los datos de práctica) con una IA basada en visión (para analizar las imágenes), pudieron cerrar la brección entre la IA general y las reglas altamente específicas y secretas de la fabricación de chips, haciendo que el proceso de arreglar estos rascacielos microscópicos sea mucho más rápido y confiable.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.