SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes
यह शोध पत्र SCALE का प्रस्ताव करता है, जो एक स्व-पर्यवेक्षित (self-supervised) फ्रेमवर्क है जो सिंथेटिक DRC-उल्लंघन डेटा बनाने के लिए एक जनरेटिव लैंग्वेज मॉडल का लाभ उठाता है और एक डोमेन-अनुकूलित विजन-लैंग्वेज मॉडल को फाइन-ट्यून करता है, जिससे उन्नत सब-2nm सेमीकंडक्टर नोड्स पर स्थानीय प्लेस-एंड-रूट डिज़ाइन-नियम उल्लंघन सुधार की सफलता दर में महत्वपूर्ण रूप से सुधार होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप सूक्ष्म लेगो ईंटों (microscopic Lego bricks) से एक गगनचुंबी इमारत बनाने की कोशिश कर रहे हैं, लेकिन निर्देश एक ऐसी गुप्त भाषा में लिखे गए हैं जो हर बार आपकी पलक झपकने पर बदल जाते हैं। यह आधुनिक चिप डिजाइन की दुनिया है, जहाँ इंजीनियर एक नाखून से भी छोटे सिलिकॉन चिप पर अरबों सूक्ष्म ट्रांजिस्टर फिट करने की कोशिश कर रहे हैं। जैसे-जैसे ये चिप्स छोटे होते जा रहे हैं—"सब-2nm" युग में प्रवेश कर रहे हैं, जो एक एकल वायरस की चौड़ाई से भी छोटा है—ईंटों के आपस में जुड़ने, एक-दूसरे के ऊपर चढ़ने या एक-दो दूसरे के पास बैठने के नियम अविश्वसनीय रूप से जटिल होते जा रहे हैं। ये नियम, जिन्हें "डिजाइन रूल्स" कहा जाता है, एक अत्यंत सख्त बिल्डिंग कोड की तरह हैं: यदि दो तार बहुत करीब हैं, तो चिप शॉर्ट-सर्किट हो सकती है; यदि एक छेद बहुत छोटा है, तो बिजली प्रवाहित नहीं हो सकती। इन गलतियों की जाँच करना "डिजाइन रूल चेकिंग" (DRC) कहलाता है, और इन्हें ठीक करना एक दुःस्वप्न है। यदि कोई कंप्यूटर गलती पाता है, तो वह आमतौर पर बस उसकी ओर इशारा करता है और कहता है, "गलत!", जिससे मानव इंजीनियरों को यह अनुमान लगाने के लिए मजबूर होना पड़ता है कि बिना किसी आस-पास की चीज़ को खराब किए इसे कैसे ठीक किया जाए।
हाल ही में, वैज्ञानिकों ने कंप्यूटर को "लार्ज लैंग्वेज मॉडल्स" (LLMs) का उपयोग करके स्मार्ट बनाना शुरू किया है—वही तरह का AI जो कहानियाँ या कोड लिख सकता है। लेकिन इसमें एक पेंच है: ये AI टेक्स्ट पढ़ने में तो माहिर हैं लेकिन जटिल ज्यामिति (geometry) की तस्वीरों को समझने में बहुत खराब हैं। यदि आप एक मानक AI को चिप लेआउट की तस्वीर दिखाते हैं, तो वह भ्रमित होकर गलत जानकारी दे सकता है (hallucinate), जैसे कि छेदों की गलत संख्या गिन लेना या एक सूक्ष्म अंतराल को मिस कर देना जो आपदा का कारण बन सकता है। बड़ा सवाल यह था: क्या हम एक AI को न केवल चिप को देखना सिखा सकते हैं, बल्कि उसे गुप्त बिल्डिंग कोड को समझना और गलतियों को स्वचालित रूप से ठीक करना भी सिखा सकते हैं?
यही वह समस्या थी जिसे हल करने के लिए "SCALE" के पीछे के शोधकर्ताओं ने प्रयास किया। उन्होंने महसूस किया कि इन सूक्ष्म चिप्स को ठीक करने के लिए AI को सिखाने के लिए, उन्हें सबसे पहले "गलतियों" का एक विशाल पुस्तकालय बनाना होगा जिस पर वह अभ्यास कर सके। लेकिन समस्या यह है कि वास्तविक चिप्स आमतौर पर पूर्ण होते हैं (उन्हें पहले ही जांचा जा चुका होता है), इसलिए AI को दिखाने के लिए टूटे हुए चिप्स की लगभग कोई वास्तविक तस्वीरें उपलब्ध नहीं हैं। इस समस्या से निपटने के लिए, टीम ने एक चतुर दो-चरणीय प्रणाली बनाई। पहले, उन्होंने एक कंप्यूटर को एक रचनात्मक लेखक की तरह कार्य करना सिखाया जो चिप लेआउट की "कल्पना" कर सकता है। उन्होंने उसे चिप के हिस्सों के टेक्स्ट विवरण दिए और उसे खाली स्थानों को भरने के लिए कहा, जिससे हजारों नए, वास्तविक दिखने वाले चिप डिजाइन बनाए गए जिनमें संभवतः उल्लंघन (violations) हो सकते थे। फिर, उन्होंने एक अत्यंत सख्त औद्योगिक चेकर का उपयोग किया जिसने इन काल्पनिक डिजाइनों को स्कैन किया और सटीक रूप से लेबल किया कि नियम कहाँ टूटे थे। इससे उन्हें "टूटे हुए चिप्स" का एक विशाल डेटासेट मिला जिसमें सही उत्तर भी शामिल थे।
इस नए पुस्तकालय का उपयोग करते हुए, उन्होंने एक विशेष "विशेषज्ञ" AI (एक विजन-लैंग्वेज मॉडल) को प्रशिक्षित किया जो एक चिप लेआउट को देखे, उल्लंघन को पहचाने, और समझा सके कि नियम क्यों टूटे, ठीक वैसे ही जैसे एक वरिष्ठ इंजीनियर करता है। अंत में, उन्होंने इस विशेषज्ञ AI को एक मानक कोडिंग रोबोट से जोड़ दिया। जब रोबोट को कोई समस्या मिलती, तो विशेषज्ञ AI समाधान फुसफुसाता था: "हे, इस तार को दो नैनोमीटर बाईं ओर ले जाओ, लेकिन उस पड़ोसी को मत छुओ।" परिणाम प्रभावशाली थे। 100 वास्तविक दुनिया के चिप डिजाइनों पर, जिनमें समस्या आ रही थी, इस टीम-अप ने कोडिंग रोबोट्स की तुलना में 12% से 25% अधिक समस्याओं को हल किया, जिससे सफलता की दर 97% तक पहुँच गई।
यह शोध पत्र स्पष्ट रूप से इस विचार का खंडन करता है कि "ऑफ-द-शेल्फ" AI मॉडल (जैसे कि वे जिनसे आप ऑनलाइन चैट कर सकते हैं) इस काम के लिए तैयार हैं। उन्होंने दिखाया कि विशेष प्रशिक्षण के बिना, ये मॉडल अक्सर विशेषताओं के बारे में भ्रमित (hallucinate) हो जाते हैं, जैसे कि कनेक्शन पॉइंट्स की गलत संख्या गिनना या स्पेसिंग नियमों को गलत समझना, जिससे ऐसे सुधार होते हैं जो और भी अधिक त्रुटियां पैदा करते हैं। उन्होंने इस विचार को भी खारिज कर दिया कि आप इन गलतियों को उत्पन्न करने के लिए केवल एक स्क्रिप्ट लिख सकते हैं; उनके सिमुलेशन ने दिखाया कि साधारण स्क्रिप्ट उबाऊ, दोहराव वाले पैटर्न बनाती हैं जो वास्तविक चिप्स की तरह नहीं दिखते, जबकि उनके स्व-पर्यवेक्षित (self-supervised) तरीके ने विविध, वास्तविक प्रकार की समस्याएं बनाईं।
लेखक अपने निष्कर्षों को लेकर काफी आश्वस्त हैं क्योंकि उन्होंने इसका परीक्षण केवल काल्पनिक सिमुलेशन पर नहीं, बल्कि सब-2nm तकनीक नोड के वास्तविक, वास्तविक-दुनिया के चिप डिजाइनों पर किया है। उन्होंने सफलता की दर को यह देखकर मापा कि क्या अंतिम चिप ने बिना नई त्रुटियां पैदा किए सभी सख्त औद्योगिक जांचों को पास किया। हालांकि वे सुझाव देते हैं कि इस पद्धति का उपयोग भविष्य में अन्य कठिन चिप डिजाइन कार्यों के लिए किया जा सकता है, उनके वर्तमान परिणाम स्थानीय लेआउट त्रुटियों को ठीक करने के लिए विशिष्ट हैं। उन्होंने पाया कि टेक्स्ट-आधारित AI (डेटा उत्पन्न करने के लिए) और विजन-आधारित AI (छवियों का विश्लेषण करने के लिए) को जोड़कर, वे सामान्य AI और चिप निर्माण के अत्यधिक विशिष्ट, गुप्त नियमों के बीच के अंतर को पाट सकते हैं, जिससे इन सूक्ष्म गगनचुंबी इमारतों को ठीक करने की प्रक्रिया बहुत तेज़ और अधिक विश्वसनीय बन जाती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।