En el mundo de la electrónica moderna, el viaje desde una idea digital hasta un chip físico es un maratón de decisiones intrincadas. Antes de que se grabe un solo transistor en el silicio, los ingenieros deben navegar por un vasto paisaje de configuraciones que controlan cómo se organiza el chip, cómo se disponen sus cables internos y cómo se sincronizan sus señales de reloj. Estas configuraciones son las perillas de la máquina, y están profundamente interconectadas; girar una para mejorar la velocidad podría, accidentalmente, reducir el área del chip o hacer que consuma demasiada energía. Debido a que ejecutar una simulación completa de estas configuraciones toma horas, los ingenieros no pueden simplemente probar todas las posibilidades. Deben ser estratégicos, eligiendo qué configuraciones probar con las herramientas más detalladas y costosas y cuáles omitir. Durante décadas, este proceso ha dependido de algoritmos matemáticos que tratan el diseño del chip como una caja negra, aprendiendo de cada prueba pero olvidando las razones profundas de por qué una configuración específica falló o tuvo éxito una vez terminada la prueba.

Recientemente, una nueva herramienta ha entrado en este ámbito: los modelos de lenguaje extensos, el mismo tipo de inteligencia artificial que puede escribir historias o responder preguntas. Estos modelos han mostrado promesa al sugerir nuevas configuraciones leyendo manuales técnicos y registros de diseños pasados. Sin embargo, un equipo de investigadores de la Universidad de Fudan y la Universidad China de Hong Kong descubrió que simplemente pedirle una sugerencia a una IA no era suficiente. En su nuevo trabajo, descubrieron que para que estos asistentes de IA realmente dominaran la compleja tarea del ajuste de chips, necesitaban una forma de recordar lo que aprendieron, no solo por un momento, sino de forma permanente. Construyeron un sistema que transforma el proceso de ajuste de una serie de conjeturas aisladas en un bucle continuo y cerrado donde cada fallo y éxito es registrado, analizado y utilizado para guiar el siguiente paso.

Los investigadores, liderados por KunLong Li y Shangshang Yao, desarrollaron un sistema que llaman StateTune. Para entender por qué esto es necesario, imagine a un estudiante tratando de resolver un rompecabezas difícil. Si el estudiante observa una pista, hace una conjetura y luego olvida inmediatamente la pista y el resultado de la conjetura antes de intentar la siguiente, nunca aprenderá el patrón. Los métodos anteriores que utilizaban inteligencia artificial trabajaban de forma muy similar a este estudiante olvidadizo. Le pedían a la IA que propusiera un nuevo conjunto de configuraciones, lo probaban y luego descartaban el contexto de esa prueba antes de pedir la siguiente propuesta. La IA no tenía una memoria persistente de qué combinaciones de configuraciones causaron que el chip fallara o cuáles llevaron a un mejor rendimiento. Era como si la IA estuviera empezando de cero con cada pregunta.

StateTune cambia esto al darle a la IA un cuaderno estructurado y permanente. Cada vez que el sistema prueba una configuración, no solo registra el resultado; analiza por qué ocurrió ese resultado. Si una configuración específica causó un error de tiempo, el sistema escribe una regla: "Cuando esta configuración es alta y esa otra es baja, el chip falla". Crucialmente, el sistema está diseñado para ser escéptico. No escribe una regla en su memoria permanente basándose en un solo mal resultado. En su lugar, espera hasta haber visto el mismo patrón de fallo confirmado por al menos doce pruebas separadas y de alta calidad. Esto evita que la IA aprenda de accidentes o ruido. Una vez que una regla es verificada, se almacena en una memoria tipada que el sistema puede leer siempre que necesite generar nuevas ideas o decidir qué ideas valen la pena probar.

Esta memoria hace más que solo almacenar hechos; moldea activamente la búsqueda. El sistema utiliza este conocimiento acumulado para guiar a un agente de IA que propone nuevas configuraciones. Si la memoria contiene una regla sobre un tipo específico de fallo, se le instruye a la IA para que evite esas configuraciones. Si la memoria muestra que un determinado parámetro es altamente sensible a los cambios, la IA enfoca su atención allí. Pero el sistema también debe ser cuidadoso con los recursos. Ejecutar una prueba completa y detallada en un diseño de chip es costoso y requiere mucho tiempo. Los investigadores añadieron una segunda capa de inteligencia para decidir qué ideas de entre las muchas propuestas merecen esta costosa prueba. Crearon un método que estima cuánto podría mejorar una nueva idea el diseño general en comparación con el tiempo que tomaría probarla. Esto asegura que el presupuesto de tiempo limitado se gaste solo en los candidatos más prometedores, en lugar de desperdiciarlo en ideas que parecen buenas pero que tienen pocas probabilidades de mejorar el resultado final.

Para probar su sistema, los investigadores aplicaron StateTune a un flujo de diseño de chip industrial del mundo real utilizado por Cadence, una importante empresa de software en la industria de semiconductores. Lo probaron en seis diseños de chips diferentes, que van desde procesadores de imágenes hasta unidades de cifrado, a través de dos tecnologías de fabricación diferentes. Compararon StateTune contra otros cinco métodos, incluyendo herramientas de optimización matemática estándar y otros enfoques asistidos por IA. Los resultados fueron claros y consistentes. StateTune produjo los mejores diseños finales en cada uno de los casos. Logró un mejor tiempo, un área más pequeña y un menor consumo de energía que cualquiera de los otros métodos. Lo más importante es que encontró un mejor equilibrio general entre estos objetivos en competencia, creando un conjunto de soluciones que fue superior a cualquier cosa que los otros sistemas pudieran encontrar.

Los investigadores también realizaron una serie de experimentos para entender exactamente qué hizo que su sistema funcionara tan bien. Eliminaron la memoria permanente y encontraron que el rendimiento del sistema cayó más de la mitad. Esto demostró que la memoria era la parte más crítica del diseño, mucho más importante que la capacidad de la IA para generar ideas por sí sola. También probaron qué sucedía si eliminaban la regla que requería doce confirmaciones antes de almacenar una lección. Sin esta salvaguarda, el sistema comenzó a acumular reglas incorrectas basadas en datos erróneos, y su rendimiento sufrió significativamente. Esto confirmó que la capacidad del sistema para filtrar el ruido y mantener solo el conocimiento verificado era esencial. Además, demostraron que el conocimiento aprendido de un diseño de chip podía transferirse para ayudar a ajustar un diseño diferente, permitiendo que el sistema comenzara con una ventaja inicial en lugar de empezar desde cero.

El estudio también abordó un error común en el campo: que simplemente añadir una IA a un proceso de ajuste es suficiente para resolver el problema. Los investigadores encontraron que una IA sin una memoria estructurada y sin una forma inteligente de decidir qué pruebas realizar funcionaba peor que el azar en algunos casos. La IA necesita la memoria para recordar lo que ha aprendido, y necesita una estrategia inteligente para saber cuándo confiar en esa memoria. El sistema que construyeron, StateTune, combina estos elementos en un proceso único y cohesivo. Trata el ajuste de un chip no como una serie de experimentos aislados, sino como un viaje de aprendizaje continuo donde cada paso informa al siguiente.

Las implicaciones de este trabajo se extienden más allá de un solo tipo de chip. A medida que los chips se vuelven más complejos y el tiempo disponible para diseñarlos es más limitado, la capacidad de aprender eficientemente de cada prueba se vuelve vital. Los investigadores demostraron que, al dotar a una IA de una memoria persistente basada en evidencia, esta puede navegar el vasto y complicado espacio de las configuraciones de diseño de chips de manera mucho más efectiva que antes. No solo encontraron una mejor manera de ajustar algunos chips específicos; mostraron una nueva forma de pensar sobre cómo la inteligencia artificial puede interactar con sistemas de ingeniería complejos. El sistema no es magia, y no resuelve el problema instantáneamente. Es un proceso disciplinado y metódico que respeta el costo de las pruebas y el valor del conocimiento verificado. Al convertir el proceso de ajuste en un sistema de bucle cerrado y con estado, los investigadores han proporcionado un plano de cómo las futuras herramientas de IA pueden ayudar a los ingenieros a construir la electrónica mejor, más rápida y más eficiente. El trabajo es una clara demostración de que, en el mundo de alto riesgo del diseño de chips, la herramienta más poderosa no es solo la capacidad de conjeturar, sino la capacidad de recordar y aprender del pasado.