SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes
Het artikel stelt SCALE voor, een zelfgesuperviseerd framework dat een generatief taalmodel gebruikt om synthetische DRC-schendingsdata te creëren en een domein-aangepast visie-taalmodel te finetunen, waardoor het succespercentage van lokale place-and-route design-rule violation fixing bij geavanceerde sub-2nm halfgeleiderknooppunten aanzienlijk wordt verbeterd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een wolkenkrabber probeert te bouwen van microscopisch kleine Lego-steentjes, maar de instructies zijn geschreven in een geheime taal die elke keer verandert als je knippert. Dit is de wereld van modern chipontwerp, waar ingenieurs proberen miljarden minuscule transistors op een chip te passen die kleiner is dan een vingernagel. Naarmate deze chips kleiner worden—het betreden van het "sub-2nm"-tijdperk, wat kleiner is dan de breedte van een enkel virus—worden de regels voor hoe de steentjes elkaar kunnen raken, overlappen of naast elkaar kunnen liggen ongelooflijk ingewikkeld. Deze regels, zogenaamde "design rules", zijn als een hyperstrikte bouwcode: als twee draden te dicht bij elkaar liggen, kan de chip kortsluiting veroorzaken; als een gat te klein is, kan elektriciteit niet stromen. Het controleren op deze fouten wordt Design Rule Checking (DRC) genoemd, en het oplossen ervan is een nachtmerrie. Als een computer een fout vindt, wijst hij er meestal alleen naar en zegt: "Fout!", waardoor menselijke ingenieurs moeten raden hoe ze het kunnen oplossen zonder iets anders in de buurt kapot te maken.
Onlangs hebben wetenschappers computers geleerd om slimmer te worden met behulp van "Large Language Models" (LLM's)—dezelfde soort AI die verhalen of code kan schrijven. Maar er is een addertje onder het gras: deze AI's zijn geweldig in het lezen van tekst, maar verschrikkelijk in het begrijpen van afbeeldingen van complexe geometrie. Als je een standaard AI een afbeelding van een chip-layout laat zien, kan deze gaan hallucineren (dingen verzinnen), zoals het verkeerde aantal gaten tellen of een piepkleine opening missen die een ramp veroorzaakt. De grote vraag was: Kunnen we een AI leren om niet alleen de chip te zien, maar ook de geheime bouwcode te begrijpen en de fouten automatisch te herstellen?
Dit is precies wat de onderzoekers achter het paper "SCALE" wilden oplossen. Ze realiseerden zich dat om een AI te leren deze minuscule chips te repareren, ze eerst een enorme bibliotheek van "fouten" moesten creëren om op te oefenen. Maar hier is het probleem: echte chips zijn meestal perfect (ze zijn al gecontroleerd), dus er zijn bijna geen echte afbeeldingen van kapotte chips om de AI aan te tonen. Om dit te omzeilen, bouwde het team een slim tweestaps-systeem. Eerst leerden ze een computer om te fungeren als een creatieve schrijver die "gebroken" chip-layouts kan "verbeelden". Ze voerden het systeem tekstuele beschrijvingen van chiponderdelen en vroegen het om de gaten in te vullen, waardoor duizenden nieuwe, realistisch uitziende chipontwerpen ontstonden die mogelijk overtredingen bevatten. Vervolgens gebruikten ze een superstrikte industriële checker om deze denkbeeldige ontwerpen te scannen en exact te labelen waar de regels werden overtreden. Dit leverde hen een enorme dataset op van "kapotte chips" met de juiste antwoorden.
Met behulp van deze nieuwe bibliotheek trainden ze een speciale "expert" AI (een Vision-Language Model) om naar een chip-layout te kijken, de overtreding te spotten en uit te leggen waarom het de regels overtrad, net zoals een ervaren ingenieur dat zou doen. Ten slotte koppelden ze deze expert-AI aan een standaard programmeerrobot. Wanneer de robot een probleem vond, fluisterde de expert-AI de oplossing: "Hé, verplaats deze draad twee nanometer naar links, maar raak die buurman niet aan." De resultaten waren indrukwekkend. Op 100 echte chipontwerpen die problemen vertoonden, loste dit team-up tussen de 12% en 25% meer problemen op dan de programmeerrobots alleen zouden kunnen oplossen, waarbij een succespercentage van tot wel 97% werd bereikt.
Het paper betoogt expliciet tegen het idee dat kant-en-klare AI-modellen (zoals de modellen waarmee je online kunt chatten) klaar zijn voor deze taak. Ze toonden aan dat deze modellen zonder speciale training vaak kenmerken "hallucineren", zoals het verkeerd tellen van aansluitpunten of het verkeerd begrijpen van de afstandregels, wat leidt tot oplossingen die nog meer fouten creëren. Ze weerlegden ook het idee dat je simpelweg een script kunt schrijven om deze fouten te genereren; hun simulaties lieten zien dat eenvoudige scripts saaie, repetitieve patronen produceren die niet lijken op echte chips, terwijl hun zelfgesuperviseerde methode een diverse, realistische variëteit aan problemen creëerde.
De auteurs zijn vrij zelfverzekerd over hun bevindingen omdat ze dit testten op daadwerkelijke, echte chipontwerpen van een sub-2nm technologie-node, en niet alleen op verzonnen simulaties. Ze maten het succespercentage door te kijken of de uiteindelijke chip alle strikte industriële controles doorstond zonder nieuwe fouten te introduceren. Hoewel ze suggereren dat deze methode in de toekomst voor andere lastige taken in chipontwerp gebruikt kan worden, zijn hun huidige resultaten specifiek gericht op het oplossen van lokale layout-fouten. Ze kwamen tot de conclusie dat door een tekstgebaseerde AI (om de oefendata te genereren) te combineren met een visuele AI (om de afbeeldingen te analyseren), ze de kloof tussen algemene AI en de zeer specifieke, geheime regels van chipproductie konden overbruggen, waardoor het proces van het repareren van deze microscopische wolkenkrabbers veel sneller en betrouwbaarder wordt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.