هوش مصنوعی سال‌هاست که در طراحی نیمه‌هادی‌ها برای بهینه‌سازی معماری تراشه‌ها از نظر عملکرد، بهره‌وری انرژی و کاهش فضای اشغالی در سیلیکون به کار گرفته می‌شود. اخیراً صنعت طراحی الکترونیک به سمت ادغام مدل‌های زبانی بزرگ (LLM) و عامل‌های هوش مصنوعی (AI Agents) در جریان‌های کاری اتوماسیون طراحی الکترونیکی (EDA) حرکت کرده است. در همین راستا، شرکت Cadence Design Systems با معرفی Maestro AI Model Portfolio، مجموعه‌ای از مدل‌های تخصصی را ارائه کرده است که برای تعامل با نرم‌افزارهای مهندسی و «ابر-عامل‌های» (Super Agents) هوش مصنوعی این شرکت طراحی شده‌اند.
ترکیب هوش مصنوعی با نرم‌افزارهای مهندسی تثبیت‌شده
طراحی تراشه‌های مدرن به دلیل وجود میلیاردها ترانزیستور، پیچیدگی بسیار بالایی دارد و مهندسان باید تعادلی میان عملکرد، مصرف توان و محدودیت‌های تولید ایجاد کنند. سیستم Maestro با ترکیب آموزش مدل‌های تخصصی، یادگیری تقویت‌شده (Reinforcement Learning) و ابزارهای EDA، نحوه اجرای وظایف مهندسی توسط عامل‌های AI را بهبود می‌بخشد.
این پورتفولیو از ابر-عامل‌هایی نظیر ChipStack، InnoStack، ViraStack و AuraStack پشتیبانی می‌کند. این عامل‌ها اهداف مهندسی را تفسیر کرده، آن‌ها را به وظایف کوچک‌تر تقسیم می‌کنند و مدل‌ها و ابزارهای نرم‌افزاری مناسب را به کار می‌گیرند. نکته حائز اهمیت در معماری Maestro، استفاده از حلقه‌های بازخورد است؛ به گونه‌ای که ابزارهای EDA و حل‌کننده‌های قطعی (Deterministic Solvers)، خروجی‌های تولید شده توسط AI را بر اساس محدودیت‌های واقعی مهندسی (مانند زمان‌بندی و توان) ارزیابی می‌کنند و این بازخوردها باعث بهبود تصمیمات بعدی مدل می‌شود.
امنیت و زیرساخت‌های استقرار
در حوزه امنیت، شرکت NVIDIA با ارائه فناوری مدل Nemotron و همکاری در زمینه امنیت عامل‌ها از طریق معماری سندباکسینگ (Sandboxing) موسوم به OpenShell AI با Cadence همکاری می‌کند تا محیطی امن برای اجرای این مدل‌ها فراهم شود.
با توجه به اینکه مالکیت معنوی (IP) در شرکت‌های نیمه‌هادی میلیاردها دلار ارزش دارد، کنترل بر داده‌های حساس طراحی حیاتی است. Maestro انعطاف‌پذیری بالایی در استقرار ارائه می‌دهد و می‌تواند در محیط‌های زیر اجرا شود:
- پلتفرم ابری امن Cadence
- ابر‌های عمومی (Public Clouds)
- زیرساخت‌های محلی (On-prem) تحت کنترل مشتری
استقرار محلی به سازمان‌ها اجازه می‌دهد تا مسئولیت زیرساخت‌های GPU، به‌روزرسانی مدل‌ها و کنترل‌های امنیتی را مستقیماً بر عهده بگیرند و از خروج داده‌های حساس از محیط سازمان جلوگیری کنند.
چشم‌انداز آینده در طراحی تراشه‌ها
رویکرد Cadence نشان‌دهنده یک روند کلی در صنعت است: حرکت از مدل‌های عمومی به سمت مدل‌های تخصصی دامنه (Domain-trained models). اگرچه مدل‌های عمومی برای استدلال‌های کلی مفید هستند، اما فرآیندهای مهندسی پیچیده نیازمند دانش عمیق تخصصی و نتایج تایید شده هستند. انتظار می‌رود این رویکرد نه تنها کیفیت طراحی را افزایش دهد، بلکه چرخه‌های توسعه را کوتاه‌تر کرده و هزینه‌های تولید را در مقیاس بزرگ کاهش دهد.
