SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes
Il documento propone SCALE, un framework auto-supervisionato che sfrutta un modello linguistico generativo per creare dati sintetici di violazione DRC e perfezionare un modello visione-linguaggio adattato al dominio, migliorando così significativamente il tasso di successo della risoluzione locale delle violazioni delle regole di progettazione (design-rule) in nodi semiconduttori avanzati sub-2nm.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di cercare di costruire un grattacielo usando mattoncini Lego microscopici, ma le istruzioni sono scritte in un linguaggio segreto che cambia ogni volta che sbatti le palpebre. Questo è il mondo del moderno design dei chip, dove gli ingegneri cercano di far entrare miliardi di minuscoli transistor in un chip di silicio più piccolo di un'unghia. Man mano che questi chip diventano più piccoli — entrando nell'era "sub-2nm", che è più piccola della larghezza di un singolo virus — le regole su come i mattoncini possono toccarsi, sovrapporsi o stare vicini diventano incredibilmente complicate. Queste regole, chiamate "regole di progettazione" (design rules), sono come un codice edilizio ipersrtretto: se due fili sono troppo vicini, il chip potrebbe andare in cortocircuito; se un foro è troppo piccolo, l'elettricità non può scorrere. Controllare questi errori è chiamato "Design Rule Checking" (DRC), e correggerli è un incubo. Se un computer trova un errore, di solito si limita a indicarlo e dice: "Sbagliato!", lasciando agli ingegneri umani il compito di indovinare come risolverlo senza rompere qualcos'altro nelle vicinanze.
Recentemente, gli scienziati hanno insegnato ai computer a essere più intelligenti usando i "Large Language Models" (LLM) — lo stesso tipo di IA che può scrivere storie o codice. Ma c'è un problema: queste IA sono bravissime a leggere il testo, ma terribili nel comprendere le immagini di geometrie complesse. Se mostri a un'IA standard l'immagine di un layout di un chip, potrebbe allucinare (inventare cose), contando il numero sbagliato di fori o mancando un minuscolo spazio che causa un disastro. La grande domanda era: possiamo insegnare a un'IA non solo a vedere il chip, ma anche a comprendere il segreto codice edilizio e a correggere gli errori automaticamente?
Questo è esattamente ciò che i ricercatori dietro il paper "SCALE" si sono posti l'obiettivo di risolvere. Si sono resi conto che, per insegnare a un'IA come riparare questi minuscoli chip, dovevano prima creare una massiccia libreria di "errori" su cui fare pratica. Ma ecco il problema: i chip reali sono solitamente perfetti (sono già stati controllati), quindi non esistono quasi immagini di chip rotti da mostrare all'IA. Per aggirare la cosa, il team ha costruito un sistema intelligente in due fasi. Prima, hanno insegnato a un computer ad agire come uno scrittore creativo capace di "immaginare" layout di chip difettosi. Hanno fornito descrizioni testuali di parti del chip e hanno chiesto di riempire gli spazi vuoti, creando migliaia di nuovi design di chip dallici-aspetto realistici che potrebbero avere violazioni. Poi, hanno usato un controllore industriale super-rigido per scansionare questi design immaginari e catalogare esattamente dove le regole venivano violate. Questo ha fornito loro un enorme dataset di "chip rotti" con le risposte corrette.
Usando questa nuova libreria, hanno addestrato un'IA "esperta" speciale (un Modello Visione-Linguaggio) per guardare il layout di un chip, individuare la violazione e spiegare perché ha infranto le regole, proprio come farebbe un ingegnere senior. Infine, hanno collegato questa IA esperta a un robot di programmazione standard. Quando il robot trovava un problema, l'IA esperta sussurrava la soluzione: "Ehi, sposta questo filo di due nanometri a sinistra, ma non toccare quel vicino". I risultati sono stati impressionanti. Su 100 design di chip reali che stavano avendo problemi, questo team-up ha risolto tra il 12% e il 25% di problemi in più rispetto a quanto potevano risolvere i robot di programmazione da soli, raggiungendo un tasso di successo fino al 97%.
Il paper sostiene esplicitamente l'idea che i modelli di IA pronti all'uso (come quelli con cui si chiacchiera online) non siano pronti per questo lavoro. Hanno dimostrato che, senza un addestramento speciale, questi modelli spesso "allucinano" caratteristiche, come contare il numero sbagliato di punti di connessione o fraintendere le regole di spaziatura, portando a correzioni che creano ancora più errori. Hanno anche smentito l'idea di poter scrivere semplicemente uno script per generare questi errori; le loro simulazioni hanno mostrato che gli script semplici producono schemi noiosi e ripetitivi che non sembrano veri chip, mentre il loro metodo di auto-apprendimento supervisionato ha creato una varietà di problemi diversificata e realistica.
Gli autori sono molto fiduciosi nei loro risultati perché hanno testato il tutto su veri design di chip del mondo reale provenienti da un nodo tecnologico sub-2nm, non solo su simulazioni inventate. Hanno misurato il tasso di successo verificando se il chip finale superasse tutti i rigidi controlli industriali senza introdurre nuovi errori. Sebbene suggeriscano che questo metodo potrebbe essere utilizzato per altri compiti complicati del design dei chip in futuro, i loro risultati attuali sono specifici per la correzione di errori di layout locali. Hanno scoperto che, combinando un'IA basata sul testo (per generare i dati di pratica) con un'IA basata sulla visione (per analizzare le immagini), potevano colmare il divario tra l'IA generale e le regole altamente specifiche e segrete della produzione dei chip, rendendo il processo di riparazione di questi grattacieli microscopici più veloce e affidabile.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.