No mundo da eletrônica moderna, a jornada de uma ideia digital até um chip físico é uma maratona de decisões intrincadas. Antes que um único transistor seja gravado no silício, os engenheiros devem navegar por um vasto cenário de configurações que controlam como o chip é organizado, como seus fios internos são dispostos e como seus sinais de clock são sincronizados. Essas configurações são os botões da máquina e estão profundamente interconectadas; girar um para melhorar a velocidade pode acidentalmente reduzir a área do chip ou fazer com que ele consuma muita energia. Como executar uma simulação completa dessas configurações leva horas, os engenheiros não podem simplesmente testar todas as possibilidades. Eles devem ser estratégicos, escolhendo quais configurações testar com as ferramentas mais detalhadas e caras e quais ignorar. Por décadas, esse processo dependeu de algoritmos matemáticos que tratam o design do chip como uma caixa preta, aprendendo com cada teste, mas esquecendo as razões profundas pelas quais uma configuração específica falhou ou teve sucesso assim que o teste terminava.

Recentemente, uma nova ferramenta entrou neste cenário: modelos de linguagem de grande escala, o mesmo tipo de inteligência artificial que pode escrever histórias ou responder perguntas. Esses modelos mostraram promessa ao sugerir novas configurações ao ler manuais técnicos e registros de designs passados. No entanto, uma equipe de pesquisadores da Universidade de Fudan e da Universidade Chinesa de Hong Kong descobriu que simplesmente pedir sugestões a uma IA não era suficiente. Em seu novo trabalho, eles descobriram que, para esses assistentes de IA realmente dominarem a complexa tarefa de ajuste de chips, eles precisavam de uma maneira de lembrar o que aprenderam, não apenas por um momento, mas permanentemente. Eles construíram um sistema que transforma o processo de ajuste de uma série de palpites isolados em um ciclo contínuo e fechado, onde cada falha e sucesso é registrado, analisado e usado para guiar o próximo passo.

Os pesquisadores, liderados por KunLong Li e Shangshang Yao, desenvolveram um sistema que chamam de StateTune. Para entender por que isso é necessário, imagine um estudante tentando resolver um quebra-cabeça difícil. Se o estudante olha para uma pista, faz um palpite e depois esquece imediatamente a pista e o resultado do palpite antes de tentar o próximo, ele nunca aprenderá o padrão. Métodos anteriores usando inteligência artificial funcionavam de forma muito semelhante a esse estudante esquecido. Eles pediam à IA para propor um novo conjunto de configurações, testavam e então descartavam o contexto daquele teste antes de pedir a próxima proposta. A IA não tinha memória persistente de quais combinações de configurações causaram a falha do chip ou quais levaram a um melhor desempenho. Era como se a IA estivesse começando do zero a cada nova pergunta.

O StateTune muda isso ao dar à IA um caderno estruturado e permanente. Cada vez que o sistema testa uma configuração, ele não apenas registra o resultado; ele analisa por que aquele resultado aconteceu. Se uma configuração específica causou um erro de tempo, o sistema escre-se uma regra: "Quando esta configuração está alta e aquela está baixa, o chip falha". Crucialmente, o sistema é projetado para ser cético. Ele não escreve uma regra em sua memória permanente baseada em um único resultado ruim. Em vez disso, ele espera até que tenha visto o mesmo padrão de falha confirmado por pelo menos doze testes distintos e de alta qualidade. Isso evita que a IA aprenda com acidentes ou ruídos. Uma vez que uma regra é verificada, ela é armazenada em uma memória tipada que o sistema pode ler sempre que precisar gerar novas ideias ou decidir quais ideias valem a pena serem testadas.

Essa memória faz mais do que apenas armazenar fatos; ela molda ativamente a busca. O sistema usa esse conhecimento acumulado para guiar um agente de IA que propõe novas configurações. Se a memória contém uma regra sobre um tipo específico de falha, a IA é instruída a evitar essas configurações. Se a memória mostra que um determinado parâmetro é altamente sensível a mudanças, a IA foca sua atenção ali. Mas o sistema também precisa ter cuidado com os recursos. Executar um teste completo e detalhado em um design de chip é caro e demorado. Os pesquisadores adicionaram uma segunda camada de inteligência para decidir quais das muitas ideias propostas merecem esse teste caro. Eles criaram um método que estima o quanto uma nova ideia poderia melhorar o design geral em comparação com o tempo que levaria para testá-la. Isso garante que o orçamento de tempo limitado seja gasto apenas nos candidatos mais promissores, em vez de desperdiçá-lo em ideias que parecem boas, mas que dificilmente melhorarão o resultado final.

Para testar seu sistema, os pesquisadores aplicaram o StateTune a um fluxo de design de chip industrial real usado pela Cadence, uma importante empresa de software na indústria de semicondutores. Eles o testaram em seis designs de chips diferentes, variando de processadores de imagem a unidades de criptografia, em duas tecnologias de fabricação diferentes. Eles compararam o StateTune com outros cinco métodos, incluindo ferramentas de otimização matemática padrão e outras abordagens assistidas por IA. Os resultados foram claros e consistentes. O StateTune produziu os melhores designs finais em todos os casos. Ele alcançou melhor tempo, menor área e menor consumo de energia do que qualquer um dos outros métodos. Mais importante ainda, encontrou um melhor equilíbrio geral entre esses objetivos conflitantes, criando um conjunto de soluções que era superior a qualquer coisa que os outros sistemas pudessem encontrar.

Os pesquisadores também realizaram uma série de experimentos para entender exatamente o que fez seu sistema funcionar tão bem. Eles removeram a memória permanente e descobriram que o desempenho do sistema caiu mais da metade. Isso provou que a memória era a parte mais crítica do design, muito mais importante do que a capacidade da IA de gerar ideias por conta própria. Eles também testaram o que acontecia se removessem a regra que exigia doze confirmações antes de armazenar uma lição. Sem essa salvaguarda, o sistema começou a acumular regras incorretas baseadas em dados ruins, e seu desempenho sofreu significamente. Isso confirmou que a capacidade do sistema de filtrar o ruído e manter apenas o conhecimento verificado era essencial. Além disso, eles mostraram que o conhecimento aprendido de um design de chip poderia ser transferido para ajudar a ajustar um design diferente, permitendo que o sistema começasse com uma vantagem inicial em vez de partir do zero.

O estudo também abordou um equívoco comum no campo: que simplesmente adicionar uma IA a um processo de ajuste é suficiente para resolver o problema. Os pesquisadores descobriram que uma IA sem uma memória estruturada e sem uma estratégia inteligente para decidir quais testes executar performava pior do que o acaso em alguns casos. A IA precisa da memória para lembrar o que aprendeu, e precisa de uma estratégia inteligente para saber quando confiar nessa memória. O sistema que construíram, o StateTune, combina esses elementos em um processo coeso e único. Ele trata o ajuste de um chip não como uma série de experimentos isolados, mas como uma jornada de aprendizado contínuo onde cada etapa informa a próxima.

As implicações deste trabalho estendem-se além de apenas um tipo de chip. À medida que os chips se tornam mais complexos e o tempo disponível para projetá-los se torna mais restrito, a capacidade de aprender eficientemente de cada teste torna-se vital. Os pesquisadores demonstraram que, ao dar a uma IA uma memória persistente e baseada em evidências, ela pode navegar no vasto e complicado espaço de configurações de design de chips de forma muito mais eficaz do que antes. Eles não apenas encontraram uma maneira melhor de ajustar alguns chips específicos; eles mostraram uma nova maneira de pensar sobre como a inteligência artificial pode interagir com sistemas de engenharia complexos. O sistema não é mágica e não resolve o problema instantaneamente. É um processo disciplinado e metódico que respeita o custo de teste e o valor do conhecimento verificado. Ao transformar o processo de ajuste em um sistema de ciclo fechado e com estado, os pesquisadores forneceram um modelo de como as futuras ferramentas de IA podem ajudar engenheiros a construir eletrônicos melhores, mais rápidos e mais eficientes. O trabalho serve como uma demonstração clara de que, no mundo de alto risco do design de chips, a ferramenta mais poderosa não é apenas a capacidade de adivinhar, mas a capacidade de lembrar e aprender com o passado.