In de wereld van moderne elektronica is de reis van een digitaal idee naar een fysieke chip een marathon van complexe beslissingen. Voordat er een enkele transistor op silicium wordt geëtst, moeten ingenieurs door een uitgestrekt landschap van instellingen navigeren die bepalen hoe de chip wordt georganiseerd, hoe de interne bedrading wordt ingelegd en hoe de kloksignalen worden gesynchroniseerd. Deze instellingen zijn de knoppen van de machine, en ze zijn diep met elkaar verbonden; het draaien aan één knop om de snelheid te verbeteren, kan per ongeluk de oppervlakte van de chip verkleinen of ervoor zorgen dat deze te veel stroom verbruikt. Omdat het draaien van een volledere simulatie van deze instellingen uren duurt, kunnen ingenieurs niet simpelweg elke mogelijkheid proberen. Ze moeten strategisch zijn en kiezen welke configuraties ze testen met de meest kostbare, gedetailleerde tools en welke ze overslaan. Decennialang heeft dit proces vertrouwd op wiskundige algoritmen die het chipontwerp behandelen als een zwarte doos, waarbij ze leren van elke test maar de diepere redenen waarom een specifieke instelling faalde of slaagde vergeet zodra de test voorbij was.

Onlangs is er een nieuw instrument dit toneel betreden: grote taalmodellen, hetzelfde soort kunstmatige intelligentie dat verhalen kan schrijven of vragen kan beantwoorden. Deze modellen hebben veelbelovende resultaten laten zien door technische handleidingen en eerdere ontwerpregistraties te lezen. Echter, een team onderzoekers van de Fudan Universiteit en de Chinese Universiteit van Hong Kong ontdekte dat het simpelweg vragen om suggesties aan een AI niet genoeg was. In hun nieuwe werk ontdekten zij dat voor deze AI-assistenten om de complexe taak van chip-tuning echt te beheersen, ze een manier nodig hadden om te onthouden wat ze leerden, niet alleen voor een moment, maar permanent. Ze bouwden een systeem dat het tuningproces transformeert van een reeks geïsoleerde gissingen naar een continue, gesloten lus waarin elke fout en elk succes wordt vastgelegd, geanalyseerd en gebruikt om de volgende stap te sturen.

De onderzoekers, onder leiding van KunLong Li en Shangshang Yao, ontwikkelden een systeem dat ze StateTune noemen. Om te begrijpen waarom dit noodzakelijk is, stel je een student voor die probeert een moeilijke puzzel op te lossen. Als de student naar een aanwijzing kijkt, een gok doet, en vervolgens de aanwijzing en het resultaat van de gok onmiddellijk vergeet voordat hij de volgende probeert, zal hij het patroon nooit leren. Eerdere methoden die gebruikmaakten van kunstmatige intelligentie werkten vergelijkbaar met deze vergeetachtige student. Ze vroegen de AI om een nieuwe set instellingen voor te stellen, testten deze, en gooiden vervolgens de context van die test weg voordat ze om het volgende voorstel vroegen. De AI had geen persistent geheugen van welke combinaties van instellingen de chip deden falen of welke tot betere prestaties leidden. Het was alsof de AI bij elke vraag weer vanaf nul begon.

StateTune verandert dit door de AI een gestructureerd, permanent notitieblok te geven. Elke keer dat het systeem een configuratie test, legt het niet alleen het resultaat vast; het analyseert ook waarom dat resultaat plaatsvond. Als een specifieke instelling een timingfout veroorzaakte, schrijft het systeem een regel op: "Wanneer deze instelling hoog is en die andere laag, dan faalt de chip." Cruciaal is dat het systeem sceptisch is ontworft. Het schrijft geen regel in zijn permanente geheugen op basis van één enkel slecht resultaat. In plaats daarvan wacht het tot het hetzelfde foutpatroon is bevestigd door ten minste twaalf afzonderlijke, hoogwaardige tests. Dit voorkomt dat de AI leert van incidenten of ruis. Zodra een regel is geverifieerd, wordt deze opgeslagen in een getypeerd geheugen dat het systeem kan lezen wanneer het nieuwe ideeën moet genereren of moet beslissen welke ideeën de moeite waard zijn om te testen.

Dit geheugen doet meer dan alleen feiten opslaan; het vormt actief de zoektocht. Het systeem gebruikt deze geaccumuleerde kennis om een AI-agent te begeleiden die nieuwe instellingen voorstelt. Als het geheugen een regel bevat over een specifiek type fout, krijgt de AI de instructie om die instellingen te vermijden. Als het geheugen laat zien dat een bepaalde parameter zeer gevoelig is voor veranderingen, richt de AI zijn aandacht daarop. Maar het systeem moet ook voorzichtig zijn met middelen. Het uitvoeren van een volledige, gedetailleerde test op een chipontwerp is duur en tijdrovend. De onderzoekers voegden een tweede laag intelligentie toe om te beslissen welke van de vele voorgestelde ideeën een gedetailleerde test verdienen. Ze creëerden een methode die inschat hoeveel een nieuw idee de algehele ontwerpprestaties zou kunnen verbeteren in verhouding tot de tijd die het kost om het te testen. Dit zorgt ervoor dat het beperkte tijdbudget alleen wordt besteed aan de meest veelbelovende kandidaten, in plaats van te worden verspild aan ideeën die er goed uitzien maar onwaarschijnlijk zijn om het eindresultaat te verbeteren.

Om hun systeem te testen, pasten de onderzoekers StateTune toe op een reële industriële chipontwerpproces gebruikt door Cadence, een groot softwarebedrijf in de halfgeleiderindustrie. Ze testten het op zes verschillende chipontwerpen, variërend van beeldprocessoren tot encryptie-eenheden, over twee verschillende fabricagetechnologieën. Ze vergeleken StateTune met vijf andere methoden, inclusief standaard wiskundige optimalisatietools en andere AI-ondersteunde benaderingen. De resultaten waren duidelijk en consistent. StateTune produceerde in elk geval de beste uiteindelijke ontwerpen. Het bereikte betere timing, een kleiner oppervlak en een lager energieverbruik dan alle andere methoden. Belangrijker nog, het vond een betere algemene balans tussen deze concurrerende doelen, waardoor het een set oplossingen creëerde die superieur was aan alles wat de andere systemen konden vinden.

De onderzoekers voerden ook een reeks experimenten uit om te begrijpen wat hun systeem zo goed liet werken. Ze verwijderden het permanente geheugen en ontdekten dat de prestaties van het systeem met meer dan de helft daalden. Dit bewees dat het geheugen het meest kritieke onderdeel van het ontwerp was, veel belangrijker dan het vermogen van de AI om op eigen kracht ideeën te genereren. Ze testten ook wat er gebeurde als ze de regel verwijderden die twaalf bevestigingen vereiste voordat een les werd opgeslagen. Zonder deze beveiliging begon het systeem onjuiste regels te verzamelen op basis van slechte data, en de prestaties leden hier aanzienlijk onder. Dit bevestigde dat het vermogen van het systeem om ruis te filteren en alleen geverifieerde kennis te bewaren essentieel was. Bovendien lieten ze zien dat de kennis die geleerd werd van het ene chipontwerp kon worden overgedragen om te helpen bij het tunen van een ander ontwerp, waardoor het systeem met een voorsprong kon beginnen in plaats van vanaf nul.

De studie behandelde ook een veelvoorkomend misverstand in het vakgebied: dat het simpelweg toevoegen van een AI aan een tuningproces voldoende is om het probleem op te lossen. De onderzoekers ontdekten dat een AI zonder gestructureerd geheugen en zonder een slimme manier om te beslissen welke tests uitgevoerd moeten worden, in sommige gevallen slechter presteerde dan willekeurig gokken. De AI heeft het geheugen nodig om te onthouden wat het heeft geleerd, en het heeft een slimme strategie nodig om te weten wanneer het dat geheugen kan vertrouwen. Het systeem dat zij bouwden, StateTune, combineert deze elementen tot een enkel, samenhangend proces. Het behandelt de tuning van een chip niet als een reeks geïsoleerde experimenten, maar als een continue leerreis waarbij elke stap de volgende informeert.

De implicaties van dit werk reiken verder dan alleen één type chip. Naarmate chips complexer worden en de tijd die beschikbaar is om ze te ontwerpen beperkter wordt, wordt het vermogen om efficiënt te leren van elke test van vitaal belang. De onderzoekers hebben aangetoond dat door een AI een persistent, op bewijs gebaseerd geheugen te geven, het de enorme en ingewikkelde ruimte van chipontwerdinstellingen veel effectiever kan navigeren dan voorheen. Ze hebben niet alleen een betere manier gevonden om een paar specifieke chips te tunen; ze hebben een nieuwe manier getoond om na te denken over hoe kunstmatige intelligentie kan interageren met complexe technische systemen. Het systeem is geen magie en het lost het probleem niet onmiddellijk op. Het is een gedisciplineerd, methodisch proces dat respect heeft voor de kosten van het testen en de waarde van geverifieerde kennis. Door het tuningproces te transformeren in een stateful, closed-loop systeem, hebben de onderzoekers een blauwdruk geboden voor hoe toekomstige AI-tools ingenieurs kunnen helpen bij het bouwen van betere, snellere en efficiëntere elektronica. Het werk staat als een duidelijk bewijs dat in de hoogwaardige wereld van chipontwerp het krachtigste instrument niet alleen het vermogen om te gokken is, maar het vermogen om te onthouden en te leren van het verleden.