SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes
本論文は、生成言語モデルを利用して合成DRC違反データを作成し、ドメイン適応させた視覚言語モデルを微調整することで、先端的な2nm以下の半導体ノードにおける局所的な配置配線設計ルール違反修正の成功率を大幅に向上させる自己教師ありフレームワークであるSCALEを提案している。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、目まぐるしく変化する秘密の言語で書かれた指示書に従って、極小のレゴブロックで超高層ビルを建てようとしていると想像してみてください。これが現代のチップ設計の世界です。そこでは、エンジニアたちが指の爪よりも小さなシリコンチップの上に、数十億個もの微細なトランジスタを詰め込もうとしています。チップが小型化し、「サブ2nm（ナノメートル）」時代――単一のウイルスの幅よりも小さい領域――に突入するにつれ、ブロック同士がどのように接触し、重なり、あるいは隣り合うべきかというルールは、信じられないほど複雑になっています。これらのルールは「設計ルール」と呼ばれ、非常に厳格な建築基準法のようなものです。もし2本の配線が近すぎれば、チップはショートしてしまうかもしれません。もし穴が小さすぎれば、電気は流れません。こうしたミスをチェックすることを「設計ルール・チェック（DRC）」と呼び、それを修正することは悪夢のような作業です。コンピュータがミスを見つけても、通常はただそこを指さして「間違い！」と言うだけで、人間のエンジニアは、他の部分を壊すことなくどうやって修正すべきかを推測しなければなりません。
最近、科学者たちは、物語やコードを書くことができるような「大規模言語モデル（LLM）」を用いて、コンピュータをより賢くする方法を研究しています。しかし、ここには落とし穴があります。これらのAIはテキストを読むことは得意ですが、複雑な幾何学的な図形を理解することは非常に苦手なのです。もし標準的なAIにチップのレイアウト画像を見せたら、AIは「幻覚（ハルシネーション）」を起こし、接続点の数を間違えて数えたり、大惨事を引き起こすような微細な隙間を見逃したりするかもしれません。ここで大きな疑問が生じました。「AIにチップを『見る』だけでなく、その秘密の建築コードを理解させ、ミスを自動的に修正させることはできるのだろうか？」という問いです。
これこそが、研究者たちが「SCALE」という論文を通じて解決しようとした課題です。彼らは、AIに微細なチップを修正させる方法を教えるためには、まず練習用の「ミスの膨大なライブラリ」を作成する必要があることに気づきました。しかし、問題があります。実際のチップは通常、完璧に設計されています（すでにチェック済みであるため）。そのため、AIに見せるための「壊れたチップ」の実例がほとんど存在しないのです。この問題を回避するために、チームは巧妙な2ステップのシステムを構築しました。まず、空白を埋めるように指示されたテキスト記述に基づき、壊れたチップのレイアウトを「想像」できるクリエイティブな作家のようにコンピュータを訓練しました。彼らはチップ部品のテキスト説明を入力し、それをもとに、違反を含んでいる可能性のある、新しく現実的な外観を持つ数千ものチップ設計を作成させました。次に、非常に厳格な産業用チェッカーを使用して、これらの仮想的な設計をスキャンし、どこでルールが破られているかを正確にラベル付けしました。これにより、正解が付随した「壊れたチップ」の巨大なデータセットが得られました。
この新しいライブラリを使用して、彼らは特別な「エキスパートAI（視覚言語モデル）」を訓練しました。このAIは、チップのレイアウトを見て、違反箇所を特定し、まるでベテランエンジニアのように「なぜルールに違反しているのか」を説明することができます。最後に、このエキスパートAIを標準的なコーディングロボットに接続しました。ロボットが問題を発見すると、エキスパートAIが解決策をささやくのです。「おい、この配線を2ナノメートル左に動かせ。ただし、隣の配線には触れるなよ」。結果は目覚ましいものでした。問題が発生していた100個の実世界のチップ設計に対し、このチームアップは、コーディングロボット単独での解決力よりも12%から25%多く問題を解決し、最大97%の成功率に達しました。
論文では、市販のAIモデル（オンラインでチャットできるようなもの）は、この仕事に適任ではないという考えを明確に否定しています。彼らは、特別な訓練なしでは、これらのモデルが接続点の数を間違えて数えたり、間隔のルールを誤解したりといった「幻覚」を引き起こし、結果としてさらなるエラーを生む修正を行ってしまうことを示しました。また、スクリプトを書いてミスを生成すればよいという考えも退けました。彼らのシミュレーションによれば、単純なスクリプトは退屈で繰り返しの多いパターンしか生成できず、実際のチップのような見た目にならない一方で、彼らの自己教師あり学習の手法は、多様で現実的な種類の問題を作り出すことができました。
著者たちは、自分たちの手法を単なる作られたシミュレーションではなく、実際のサブ2nmテクノロジー・ノードを用いた実世界のチップ設計でテストしたため、その結果に強い自信を持っています。彼らは、最終的なチップが新しいエラーを導入することなく、すべての厳格な産業チェックをパスするかどうかを見ることで、成功率を測定しました。彼らは、この手法が将来的に他の困難なチップ設計タスクにも応用できる可能性があると示唆していますが、現在の結果は局所的なレイアウトエラーの修正に特化したものです。彼らは、テキストベースのAI（練習データの生成用）と視覚ベースのAI（画像の分析用）を組み合わせることで、一般的なAIと、チップ製造における高度に専門的で秘密のルールとの間の溝を埋め、この微細な超高層ビルの修正プロセスをより迅速かつ信頼性の高いものにできることを証明しました。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。