Nel mondo dell'elettronica moderna, il viaggio da un'idea digitale a un chip fisico è una maratona di decisioni intricate. Prima che un singolo transistor venga inciso sul silicio, gli ingegneri devono navigare in un vasto panorama di impostazioni che controllano come il chip sia organizzato, come i suoi fili interni siano disposti e come i suoi segnali di clock siano sincronizzati. Queste impostazioni sono le manopole della macchina e sono profondamente interconnesse; girarne una per migliorare la velocità potrebbe accidentalmente rimpicciolire l'area del chip o causare un consumo eccessivo di energia. Poiché eseguire una simulazione completa di queste impostazioni richiede ore, gli ingegneri non possono semplicemente provare ogni possibilità. Devono essere strategici, scegliendo quali configurazioni testare con gli strumenti più costosi e dettagliati e quali saltare. Per decenni, questo processo si è basato su algoritmi matematici che trattano il design del chip come una scatola nera, imparando da ogni test ma dimenticando le ragioni profonde per cui una specifica impostazione è fallita o ha avuto successo una volta terminato il test.

Recentemente, un nuovo strumento è entrato in questo campo: i modelli linguistici di grandi dimensioni, lo stesso tipo di intelligenza artificiale che può scrivere storie o rispondere a domande. Questi modelli hanno mostrato promesse nel suggerire nuove impostazioni leggendo manuali tecnici e precedenti record di progettazione. Tuttavia, un team di ricercatori della Fudan University e della Chinese University of Hong Kong ha scoperto che chiedere semplicemente a un'IA di fornire suggerimenti non fosse sufficiente. Nel loro nuovo lavoro, hanno scoperto che affinché questi assistenti IA possano davvero padroneggiare il complesso compito della regolazione dei chip, avevano bisogno di un modo per ricordare ciò che hanno imparato, non solo per un momento, ma permanentemente. Hanno costruito un sistema che trasforma il processo di regolazione da una serie di tentativi isolati in un ciclo continuo e chiuso in cui ogni fallimento e successo viene registrato, analizzato e utilizzato per guidare il passo successivo.

I ricercatori, guidati da KunLong Li e Shangshang Yao, hanno sviluppato un sistema che chiamano StateTune. Per capire perché questo sia necessario, immaginate uno studente che cerca di risolvere un puzzle difficile. Se lo studente osserva un indizio, fa un tentativo e poi dimentica immediatamente l'indizio e il risultato del tentativo prima di provare quello successivo, non imparerà mai lo schema. I metodi precedenti che utilizzano l'intelligenza artificiale funzionavano molto come questo studente dimenticone. Chiedevano all'IA di proporre un nuovo set di impostazioni, lo testavano e poi scartavano il contesto di quel test prima di chiedere la proposta successiva. L'IA non aveva una memoria persistente di quali combinazioni di impostazioni avessero causato il fallimento del chip o di quali avessero portato a prestazioni migliori. Era come se l'IA partisse da zero con ogni singola domanda.

StateTune cambia questo dando all'IA un quaderno strutturato e permanente. Ogni volta che il sistema testa una configurazione, non si limita a registrare il risultato; analizza perché quel risultato è avvenuto. Se una specifica impostazione ha causato un errore di temporizzazione, il sistema scrive una regola: "Quando questa impostazione è alta e quella è bassa, il chip fallisce". Fondamentalmente, il sistema è progettato per essere scettico. Non scrive una regola nella sua memoria permanente basandosi su un singolo risultato negativo. Invece, aspetta finché non ha visto lo stesso schema di fallimento confermato da almeno dodici test separati e di alta qualità. Questo evita che l'IA impari da incidenti o rumore. Una volta verificata, la regola viene memorizzata in una memoria tipizzata che il sistema può leggere ogni volta che ha bisogno di generare nuove idee o decidere quali idee valga la pena testare.

Questa memoria fa molto di più che archiviare fatti; essa modella attivamente la ricerca. Il sistema utilizza questa conoscenza accumulata per guidare un agente IA che propone nuove impostazioni. Se la memoria contiene una regola su un tipo specifico di fallimento, l'IA riceve l'istruzione di evitare quelle impostazioni. Se la memoria mostra che un certo parametro è altamente sensibile ai cambiamenti, l'IA concentra la sua attenzione lì. Ma il sistema deve anche essere attento alle risorse. Eseguire un test completo e dettagliato su un design di un chip è costoso e richiede tempo. I ricercatori hanno aggiunto un secondo livello di intelligenza per decidere quali tra le molte idee proposte meritino questo test costoso. Hanno creato un metodo che stima quanto una nuova idea potrebbe migliorare il design complessivo rispetto al tempo che richiederebbe per essere testata. Ciò assicura che il budget di tempo limitato venga speso solo per i candidati più promettenti, piuttosto che sprecare tempo in idee che sembrano buone ma che difficilmente miglioreranno il risultato finale.

Per testare il loro sistema, i ricercatori hanno applicato StateTune a un reale flusso di progettazione di chip industriale utilizzato da Cadence, una importante società di software nel settore dei semiconduttori. Lo hanno testato su sei diversi design di chip, che vanno dai processori di immagini alle unità di crittografia, attraverso due diverse tecnologie di produzione. Hanno confrontato StateTune con altri cinque metodi, inclusi gli strumenti di ottimizzazione matematica standard e altri approcci assistiti dall'IA. I risultati sono stati chiari e coerenti. StateTune ha prodotto i migliori design finali in ogni singolo caso. Ha ottenuto una migliore temporizzazione, un'area più piccola e un consumo di energia inferiore rispetto a qualsiasi altro metodo. Soprattutto, ha trovato un migliore equilibrio complessivo tra questi obiettivi contrastanti, creando un insieme di soluzioni che era superiore a qualsiasi cosa gli altri sistemi potessero trovare.

I ricercatori hanno anche condotto una serie di esperimenti per capire esattamente cosa rendesse il loro sistema così efficace. Hanno rimosso la memoria permanente e hanno scoperto che le prestazioni del sistema diminuivano di oltre la metà. Ciò ha dimostrato che la memoria era la parte più critica del design, molto più importante della capacità dell'IA di generare idee da sola. Hanno anche testato cosa accadesse se avessero rimosso la regola che richiedeva dodici conferme prima di archiviare una lezione. Senza questa salvaguardia, il sistema iniziava ad accumulare regole errate basate su dati scadenti, e le sue prestazioni ne risentivano significativamente. Ciò ha confermato che la capacità del sistema di filtrare il rumore e mantenere solo la conoscenza verificata era essenziale. Inoltre, hanno dimostrato che la conoscenza appresa da un design di chip poteva essere trasferita per aiutare la regolazione di un design diverso, permettendo al sistema di partire con un vantaggio invece di ricominciare da zero.

Lo studio ha affrontato anche un comune malinteso nel campo: che aggiungere semplicemente un'IA a un processo di regolazione sia sufficiente a risolvere il problema. I ricercatori hanno scoperto che un'IA senza una memoria strutturata e senza un modo intelligente per decidere quali test eseguire performava peggio di un tentativo casuale in alcuni casi. L'IA ha bisogno della memoria per ricordare ciò che ha imparato, e ha bisogno di una strategia intelligente per sapere quando fidarsi di quella memoria. Il sistema che hanno costruito, StateTune, combina questi elementi in un unico processo coeso. Tratta la regolazione di un chip non come una serie di esperimenti isolati, ma come un viaggio di apprendimento continuo in cui ogni passo informa il successivo.

Le implicazioni di questo lavoro si estendono oltre un solo tipo di chip. Man mano che i chip diventano più complessi e il tempo disponibile per progettarli diventa più limitato, la capacità di apprendere efficientemente da ogni test diventa vitale. I ricercatori hanno dimostrato che, fornendo a un'IA una memoria persistente e basata sull'evidenza, essa può navigare nello spazio vasto e complicato delle impostazioni di progettazione dei chip in modo molto più efficace rispetto al passato. Non hanno solo trovato un modo migliore per regolare alcuni chip specifici; hanno mostrato un nuovo modo di pensare a come l'intelligenza artificiale possa interagire con sistemi ingegneristici complessi. Il sistema non è magico e non risolve il problema istantaneamente. È un processo disciplinato e metodico che rispetta il costo del test e il valore della conoscenza verificata. Trasformando il processo di regolazione in un sistema a ciclo chiuso e con stato, i ricercatori hanno fornito un modello su come i futuri strumenti di IA possano aiutare gli ingegneri a costruire elettronica migliore, più veloce ed efficiente. Il lavoro si pone come una chiara dimostrazione che, nel mondo ad alto rischio della progettazione dei chip, lo strumento più potente non è solo la capacità di indovinare, ma la capacità di ricordare e imparare dal passato.