現代のエレクトロニクスの世界において、デジタルなアイデアから物理的なチップへの道のりは、複雑な意思決定の連続であるマラソンです。単一のトランジスタがシリコン上に刻まれる前に、エンジニアはチップがどのように構成され、内部の配線がどのようにレイアウトされ、クロック信号がどのように同期されるかを制御する膨大な設定の広大な風景をナビゲートしなければなりません。これらの設定は機械のつまみであり、それらは深く相互に関連しています。一つのつまみを回して速度を向上させようとすると、誤ってチップの面積を縮小させたり、消費電力を増大させたりすることがあります。これらの設定のフルシミュレーションを実行するには数時間を要するため、エンジニアはあらゆる可能性を単純に試すことはできません。彼らは戦略的であり、どの構成を最も高価で詳細なツールでテストすべきか、そしてどれをスキップすべきかを選択しなければなりません。数十年もの間、このプロセスは、チップ設計を「ブラックボックス」として扱う数学的アルゴリズムに依存してきました。これらのアルゴリズムは、各テストから学習はしますが、テストが終わると、特定の設定がなぜ成功したのか、あるいはなぜ失敗したのかという深い理由を忘れてしまうのです。

最近、この領域に新しいツールが登場しました。物語を書いたり質問に答えたりできるものと同じ種類の人工知能である、大規模言語モデルです。これらのモデルは、技術マニュアルや過去の設計記録を読み取ることで、新しい設定を提案する有望な兆しを見せています。しかし、復旦大学と香港中文大学の研究チームは、単にAIに提案を求めるだけでは不十分であることを発見しました。彼らの新しい研究において、これらのAIアシスタントがチップチューニングという複雑なタスクを真に習得するためには、学んだことを一瞬だけでなく、永続的に記憶する方法が必要であることを見出したのです。彼らは、チューニングプロセスを、孤立した推測の連続から、すべての失敗と成功が記録、分析され、次のステップを導くために使用される、継続的なクローズドループへと変貌させるシステムを構築しました。

KunLong Li氏とShangshang Yao氏に率いられた研究者たちは、「StateTune」と呼ぶシステムを開発しました。なぜこれが必要なのかを理解するために、難しいパズルを解こうとしている学生を想像してみてください。もしその学生が、手がかりを見て、推測を行い、そして次の試行に移る前に、その手がかりと推測の結果をすぐに忘れてしまうとしたら、彼らがパターンを学ぶことは決してできないでしょう。従来の人工知能を用いた手法は、まさにこのような「忘れっぽい学生」のように機能していました。彼らはAIに新しい設定のセットを提案させ、テストを行い、そして次の提案を求める前にそのテストのコンテキストを破棄していました。AIには、どの設定の組み合わせがチップの失敗を引き起こしたのか、あるいはどの組み合わせがより良いパフォーマンスにつながったのかという、持続的な記憶がありませんでした。それはまるで、AIが毎回ゼロからスタートしているかのようでした。

StateTuneは、AIに構造化された永続的なノートを与えることで、これを変えます。システムが構成をテストするたびに、単に結果を記録するだけでなく、なぜその結果が生じたのかを分析します。もし特定の設計がタイミングエラーを引き起こした場合、システムはルールを書き込みます。「この設定が高く、あの設定が低いとき、チップは失敗する」。極めて重要なのは、システムが懐疑的に設計されていることです。一度の悪い結果に基づいてルールを永続的なメモリに書き込むことはありません。代わりに、同じ失敗パターンが少なくとも12回の独立した高品質なテストによって確認されるまで待ちます。これにより、AIが偶発的な事象やノイズから学習してしまうことを防ぎます。ルールが検証されると、それはシステムが新しいアイデアを生成したり、どのアイデアをテストする価値があるかを決定したりする際に読み取ることができる、型定義されたメモリに保存されます。

このメモリは単に事実を保存するだけでなく、探索を能動的に形作ります。システムはこの蓄積された知識を使用して、新しい設定を提案するAIエージェントを導きます。もしメモリに特定の失敗に関するルールが含まれていれば、AIはその設定を避けるよう指示されます。もしメモリが特定のパラメータが変化に対して非常に敏感であることを示していれば、AIはその部分に注意を集中させます。しかし、システムはリソースについても注意を払わなければなりません。チップ設計に対するフルで詳細なテストを実行することは、高価で時間がかかります。研究者たちは、提案された多くのアイデアのうち、どのアイデアがこの高価なテストに値するかを決定するための、第二の知性の層を追加しました。彼らは、新しいアイデアが、それをテストするためにかかる時間と比較して、全体的な設計をどの程度改善できるかを推定する方法を作成しました。これにより、限られた時間予算が、見た目は良くても最終的な結果を改善する可能性が低いアイデアに浪費されるのではなく、最も有望な候補に対してのみ費やされるようにしています。

彼らのシステムをテストするために、研究者たちは半導体業界の主要なソフトウェア企業であるCadenceが使用している、実世界の産業用チップ設計フローにStateTuneを適用しました。彼らは、画像プロセッサから暗号化ユニットに至るまで、2つの異なる製造技術にわたる6つの異なるチップ設計に対してテストを行いました。彼らは、標準的な数学的最適化ツールや他のAI支援型アプローチを含む5つの他の手法とStateTuneを比較しました。結果は明確かつ一貫していました。StateTuneは、あらゆるケースにおいて最高の最終設計を生み出しました。それは、他のどの手法よりも優れたタイミング、より小さな面積、そしてより低い消費電力を実現しました。最も重要なことは、競合するこれらの目標の間でより優れた全体的なバランスを実現し、他のシステムが見つけられるものよりも優れたソリューションのセットを作り出したことです。

研究者たちはまた、彼らのシステムがなぜこれほど上手く機能するのかを理解するために、一連の実験を行いました。彼らが永続的なメモリを取り除いたところ、システムのパフォーマンスは半分以上に低下しました。これは、メモリが設計の中で最も重要な部分であり、AIが自律的にアイデアを生成する能力よりもはるかに重要であることを証明しました。また、ルールを保存する前に12回の確認を求めるという規則を取り除いた場合に何が起こるかをテストしました。この安全装置がなければ、システムは不適切なデータに基づいて誤ったルールを蓄積し始め、そのパフォーマンスは著しく低下しました。これは、ノイズをフィルタリングし、検証された知識のみを保持するシステムの能力が不可分であることを裏付けました。さらに、あるチップ設計から学習した知識を別の設計のチューニングを助けるために転送できることを示し、システムがゼロから始めるのではなく、先行優位を持ってスタートできることを示しました。

この研究は、チューニングプロセスに単にAIを追加するだけで問題が解決するという、この分野における一般的な誤解にも対処しました。研究者たちは、構造化されたメモリを持ち、どのテストを実行するかを判断するスマートな方法を持たないAIは、場合によってはランダムな推測よりも性能が悪くなることを発見しました。AIには、学んだことを記憶するためのメモリと、そのメモリをいつ信頼すべきかを知るためのスマートな戦略が必要です。彼らが構築したStateTuneは、これらの要素を単一の、まとまりのあるプロセスへと結合しています。それは、チップのチューニングを、一連の孤立した実験としてではなく、すべてのステップが次のステップに情報を与える、継続的な学習の旅として扱っています。

この研究の影響は、単一の種類のチップだけに留まりません。チップがより複雑になり、設計に利用可能な時間がより制約されるようになるにつれ、あらゆるテストから効率的に学習する能力は不可欠になります。研究者たちは、AIに持続的でエビデンスに基づいたメモリを与えることで、AIが以前よりもはるかに効果的に、複雑で広大なチップ設計設定の空間をナビゲートできることを実証しました。彼らは単に特定のチップをチューニングするより良い方法を見つけたのではありません。人工知能が複雑なエンジニアリングシステムとどのように相互作用できるかについての、新しい考え方を示したのです。このシステムは魔法ではなく、即座に問題を解決するものでもありません。それは、テストのコストと検証された知識の価値を尊重する、規律ある、方法論的なプロセスです。チューニングプロセスをステートフル（状態保持型）なクローズドループシステムに変えることで、研究者たちは、将来のAIツールがどのようにしてエンジニアがより優れた、より速く、より効率的なエレクトロニクスを構築するのを助けられるかという設計図を提供しました。この研究は、チップ設計というハイステークスな世界において、最も強力なツールは単なる「推測する能力」ではなく、「過去を記憶し、そこから学ぶ能力」であることを明確に示しています。