Dans le monde de l'électronique moderne, le passage d'une idée numérique à une puce physique est un marathon de décisions complexes. Avant qu'un seul transistor ne soit gravé sur le silicium, les ingénieurs doivent naviguer dans un vaste paysage de paramètres qui contrôlent la façon dont la puce est organisée, la manière dont ses fils internes sont disposés et la façon dont ses signaux d'horloge sont synchronisés. Ces paramètres sont les boutons de la machine, et ils sont profondément interconnectés ; tourner l'un pour améliorer la vitesse peut accidentellement réduire la surface de la puce ou provoquer une consommation excessive d'énergie. Comme l'exécution d'une simulation complète de ces paramètres prend des heures, les ingénieurs ne peuvent pas simplement essayer toutes les possibilités. Ils doivent être stratégiques, choisissant quelles configurations tester avec les outils les plus coûteux et les plus détaillés et lesquelles ignorer. Pendant des décennies, ce processus s'est appuyé sur des algorithmes mathématiques qui traitent la conception de la puce comme une boîte noire, apprenant de chaque test mais oubliant les raisons profondes pour lesquelles un paramètre spécifique a échoué ou réussi une fois le test terminé.

Récemment, un nouvel outil est entré dans cette arène : les grands modèles de langage, le même type d'intelligence artificielle qui peut écrire des histoires ou répondre à des questions. Ces modèles ont montré des promesses pour suggérer de nouveaux paramètres en lisant des manuels techniques et des dossiers de conception passés. Cependant, une équipe de chercheurs de l'Université de Fudan et de l'Université chinoise de Hong Kong a découvert que demander simplement à une IA de faire des suggestions ne suffisait pas. Dans leurs nouveaux travaux, ils ont découvert que pour que ces assistants IA maîtrisent véritablement la tâche complexe du réglage de puces, ils avaient besoin d'un moyen de se souvenir de ce qu'ils apprenaient, non pas seulement pour un instant, mais de manière permanente. Ils ont construit un système qui transforme le processus de réglage d'une série de conjectures isolées en une boucle fermée continue où chaque échec et chaque succès sont enregistrés, analysés et utilisés pour guider l'étape suivante.

Les chercheurs, dirigés par KunLong Li et Shangshang Yao, ont développé un système qu'ils appellent StateTune. Pour comprendre pourquoi cela est nécessaire, imaginez un étudiant essayant de résoudre un puzzle difficile. Si l'étudiant regarde un indice, fait une supposition, puis oublie immédiatement l'indice et le résultat de la supposition avant de passer à l'essai suivant, il n'apprendra jamais le modèle. Les méthodes précédentes utilisant l'intelligence artificielle fonctionnaient un peu comme cet étudiant distrait. Elles demandaient à l'IA de proposer un nouvel ensemble de paramètres, testaient celui-ci, puis jetaient le contexte de ce test avant de demander la proposition suivante. L'IA n'avait aucune mémoire persistante de quelles combinaisons de paramètres avaient causé l'échec de la puce ou lesquelles avaient conduit à de meilleures performances. C'était comme si l'IA repartait de zéro à chaque question.

StateTune change cela en donnant à l'IA un carnet de notes structuré et permanent. Chaque fois que le système teste une configuration, il ne se contente pas d'enregistrer le résultat ; il analyse pourquoi ce résultat s'est produit. Si un paramètre spécifique a causé une erreur de synchronisation, le système écrit une règle : « Quand ce paramètre est élevé et que celui-là est bas, la puce échoue. » Crucialement, le système est conçu pour être sceptique. Il n'écrit pas une règle dans sa mémoire permanente sur la base d'un seul mauvais résultat. Au lieu de cela, il attend d'avoir vu le même schéma d'échec confirmé par au moins douze tests distincts et de haute qualité. Cela empêche l'IA d'apprendre à partir d'accidents ou de bruit. Une fois qu'une règle est vérifiée, elle est stockée dans une mémoire typée que le système peut lire chaque fois qu'il doit générer de nouvelles idées ou décider quelles idées méritent d'être testées.

Cette mémoire fait plus que simplement stocker des faits ; elle façonne activement la recherche. Le système utilise ce savoir accumulé pour guider un agent d'IA qui propose de nouveaux paramètres. Si la mémoire contient une règle concernant un type spécifique d'échec, l'IA reçoit l'instruction d'éviter ces paramètres. Si la mémoire montre qu'un certain paramètre est très sensible aux changements, l'IA concentre son attention sur celui-ci. Mais le système doit aussi être prudent concernant les ressources. Exécuter un test complet et détaillé sur une conception de puce est coûteux et chronophage. Les chercheurs ont ajouté une seconde couche d'intelligence pour décider quels projets parmi les nombreuses idées proposées méritent ce test coûteux. Ils ont créé une méthode qui estime à quel point une nouvelle idée pourrait améliorer la conception globale par rapport au temps qu'il faudrait pour la tester. Cela garantit que le budget de temps limité est dépensé uniquement sur les candidats les plus prometteurs, plutôt que de le gaspiller dans des idées qui semblent bonnes mais qui sont peu susceptibles d'améliorer le résultat final.

Pour tester leur système, les chercheurs ont appliqué StateTune à un flux de conception de puce industriel réel utilisé par Cadence, une importante société de logiciels dans l'industrie des semi-conducteurs. Ils l'ont testé sur six conceptions de puces différentes, allant des processeurs d'images aux unités de chiffrement, à travers deux technologies de fabrication différentes. Ils ont comparé StateTune à cinq autres méthodes, incluant des outils d'optimisation mathématique standard et d'autres approches assistées par l'IA. Les résultats étaient clairs et cohérents. StateTune a produit les meilleures conceptions finales dans chaque cas. Il a obtenu un meilleur timing, une surface plus petite et une consommation d'énergie plus faible que toutes les autres méthodes. Plus important encore, il a trouvé un meilleur équilibre global entre ces objectifs concurrents, créant un ensemble de solutions supérieur à tout ce que les autres systèmes ont pu trouver.

Les chercheurs ont également mené une série d'expériences pour comprendre exactement ce qui rendait leur système si performant. Ils ont supprimé la mémoire permanente et ont constaté que les performances du système chutaient de plus de moitié. Cela a prouvé que la mémoire était la partie la plus critique de la conception, bien plus importante que la capacité de l'IA à générer des idées par elle-même. Ils ont également testé ce qui se passait s'ils supprime la règle exigeant douze confirmations avant de stocker une leçon. Sans ce garde-fou, le système commençait à accumuler des règles incorrectes basées sur des données erronées, et ses performances en souffraient considérablement. Cela a confirmé que la capacité du système à filtrer le bruit et à ne conserver que les connaissances vérifiées était essentielle. De plus, ils ont montré que le savoir appris d'une conception de puce pouvait être transféré pour aider à régler une conception différente, permettant au système de démarrer avec une avance plutôt que de partir de zéro.

L'étude a également abordé une idée reçue courante dans le domaine : l'idée que le simple ajout d'une IA à un processus de réglage suffit à résoudre le problème. Les chercheurs ont découvert qu'une IA sans mémoire structurée et sans une stratégie intelligente pour décider quels tests lancer performait parfois moins bien qu'un choix aléatoire. L'IA a besoin de la mémoire pour se souvenir de ce qu'elle a appris, et elle a besoin d'une stratégie intelligente pour savoir quand faire confiance à cette mémoire. Le système qu'ils ont construit, StateTune, combine ces éléments en un processus unique et cohérent. Il traite le réglage d'une puce non pas comme une série d'expériences isolées, mais comme un voyage d'apprentissage continu où chaque étape informe la suivante.

Les implications de ce travail s'étendent au-delà d'un seul type de puce. À mesure que les puces deviennent plus complexes et que le temps disponible pour les concevoir se réduit, la capacité d'apprendre efficacement de chaque test devient vitale. Les chercheurs ont démontré qu'en dotant une IA d'une mémoire persistante basée sur des preuves, celle-ci peut naviguer dans l'espace vaste et compliqué des paramètres de conception de puces bien plus efficacement qu'auparavant. Ils n'ont pas seulement trouvé une meilleure façon de régler quelques puces spécifiques ; ils ont montré une nouvelle façon de penser la manière dont l'intelligence artificielle peut interagir avec des systèmes d'ingénierie complexes. Le système n'est pas magique, et il ne résout pas le problème instantanément. C'est un processus discipliné et méthodique qui respecte le coût du test et la valeur de la connaissance vérifiée. En transformant le processus de réglage en un système à état et en boucle fermée, les chercheurs ont fourni un modèle pour la façon dont les futurs outils d'IA pourront aider les ingénieurs à construire des composants électroniques meilleurs, plus rapides et plus efficaces. Ce travail constitue une démonstration claire que, dans le monde à enjeux élevés de la conception de puces, l'outil le plus puissant n'est pas seulement la capacité de deviner, mais la capacité de se souvenir et d'apprendre du passé.