SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes
Le document propose SCALE, un cadre auto-supervisé qui exploite un modèle de langage génératif pour créer des données synthétiques de violations de règles de conception (DRC) et affiner un modèle vision-langage adapté au domaine, améliorant ainsi considérablement le taux de réussite de la correction locale des violations de règles de conception de placement et de routage aux nœuds semi-conducteurs avancés inférieurs à 2 nm.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de construire un gratte-ciel à l'aide de briques Lego microscopiques, mais que les instructions soient écrites dans une langue secrète qui change à chaque fois que vous clignez des yeux. C'est le monde de la conception de puces modernes, où les ingénieurs tentent de faire tenir des milliards de minuscules transistors sur une puce de silicium plus petite qu'un ongle. À mesure que ces puces rétrécissent — entrant dans l'ère du « sub-2nm », soit plus petit que la largeur d'un seul virus — les règles de la manière dont les briques peuvent se toucher, se chevaucher ou être placées les unes à côté des autres deviennent incroyablement complexes. Ces règles, appelées « règles de conception » (design rules), sont comme un code de construction hyper strict : si deux fils sont trop proches, la puce peut court-circuiter ; si un trou est trop petit, l'électricité ne peut pas circuler. Vérifier ces erreurs s'appelle la « vérification des règles de conception » (DRC), et les corriger est un cauchemar. Si un ordinateur trouve une erreur, il se contente généralement de la pointer du doigt en disant : « Faux ! », laissant les ingénieurs humains deviner comment la corriger sans rien casser à proximité.
Récemment, des scientifiques ont appris aux ordinateurs à être plus intelligents en utilisant des « modèles de langage étendus » (LLM) — le même type d'IA qui peut écrire des histoires ou du code. Mais il y a un piège : ces IA sont excellentes pour lire du texte mais très mauvaises pour comprendre les images de géométries complexes. Si vous montrez à une IA standard une image d'une disposition de puce, elle pourrait halluciner (inventer des choses), comptant le mauvais nombre de trous ou manquant un minuscule espace qui causerait un désastre. La grande question était : une IA peut-elle non seulement voir la puce, mais aussi comprendre le code de construction secret et corriger les erreurs automatiquement ?
C'est exactement ce que les chercheurs derrière le papier « SCALE » ont cherché à résoudre. Ils ont réalisé que pour apprendre à une IA à réparer ces minuscules puces, ils devaient d'abord créer une immense bibliothèque de « fautes » pour s'entraîner. Mais voici le problème : les vraies puces sont généralement parfaites (elles ont déjà été vérifiées), il n'y a donc presque aucune image de puces cassées à montrer à l'IA. Pour contourner cela, l'équipe a construit un système intelligent en deux étapes. D'abord, ils ont appris à un ordinateur à agir comme un écrivain créatif capable d'« imaginer » des dispositions de puces défectueuses. Ils lui ont fourni des descriptions textuelles de parties de puces et lui ont demandé de remplir les blancs, créant ainsi des milliers de nouveaux designs de puces réalistes qui pourraient comporter des violations. Ensuite, ils ont utilisé un vérificateur industriel super strict pour scanner ces designs imaginaires et les étiquter précisément là où les règles étaient enfreintes. Cela leur a donné un énorme ensemble de données de « puces cassées » avec les bonnes réponses.
En utilisant cette nouvelle bibliothèque, ils ont entraîné une IA « experte » spéciale (un modèle de langage-vision) pour regarder la disposition d'une puce, repérer la violation et expliquer pourquoi elle enfreignait les règles, tout comme le ferait un ingénieur senior. Enfin, ils ont connecté cette IA experte à un robot de codage standard. Lorsque le robot trouvait un problème, l'IA experte lui murmurait la solution : « Hé, déplace ce fil de deux nanomètres vers la gauche, mais ne touche pas ce voisin. » Les résultats ont été impressionnants. Sur 100 designs de puces réels rencontrant des difficultés, cette équipe a résolu entre 12 % et 25 % de problèmes de plus que ce que les robots de codage pouvaient résoudre seuls, atteignant un taux de réussite allant jusqu'à 97 %.
Le papier argumente explicitement contre l'idée que les modèles d'IA prêts à l'emploi (comme ceux avec lesquels vous pouvez discuter en ligne) soient prêts pour cette tâche. Ils ont montré que sans un entraînement spécial, ces modèles « hallucinent » souvent des caractéristiques, comme compter le mauvais nombre de points de connexion ou mal comprendre les règles d'espacement, menant à des corrections qui créent encore plus d'erreurs. Ils ont également écarté l'idée que l'on puisse simplement écrire un script pour générer ces erreurs ; leurs simulations ont montré que les scripts simples produisent des motifs ennuyeux et répétitifs qui ne ressemblent pas à de vraies puces, alors que leur méthode auto-supervisée a créé une variété de problèmes diversifiée et réaliste.
Les auteurs sont assez confiants dans leurs conclusions car ils ont testé cela sur des designs de puces réels provenant d'un nœud technologique sub-2nm, et non seulement sur des simulations fictives. Ils ont mesuré le taux de réussite en vérifiant si la puce finale passait tous les contrôles industriels stricts sans introduire de nouvelles erreurs. Bien qu'ils suggèrent que cette méthode puisse être utilisée pour d'autres tâches complexes de conception de puces à l'avenir, leurs résultats actuels sont spécifiques à la correction d'erreurs de disposition locales. Ils ont découvert qu'en combinant une IA textuelle (pour générer les données d'entraînement) avec une IA visuelle (pour analyser les images), ils pouvaient combler le fossé entre l'IA générale et les règles secrètes et hautement spécifiques de la fabrication de puces, rendant le processus de réparation de ces gratte-ciels microscopiques plus rapide et plus fiable.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.