AI projektuje układy scalone, których nikt nie rozumie, ale biją rekordy

<strong>Sztuczna inteligencja zaczyna projektować układy scalone tak złożone, że inżynierowie nie potrafią ich w pełni wyjaśnić, za to wyniki robią wrażenie.

Nowe badania naukowców z Princeton i Indian Institute of Technology pokazują, że AI może tworzyć architektury chipów przypominające raczej sztukę abstrakcyjną niż klasyczny projekt inżynierski – a mimo to działające lepiej niż rozwiązania opracowane przez ludzi.

Dlaczego projektowanie układów scalonych doszło do ściany

Każdy laptop, smartfon, sprzęt medyczny czy nawet nowoczesna pralka działa dzięki układom scalonym. Za jednym procesorem stoją miliardy tranzystorów i tysiące drobnych kompromisów między wydajnością, zużyciem energii, kosztem produkcji i odprowadzaniem ciepła.

Z czasem ten układanka stała się tak skomplikowana, że ludzki mózg zaczął sobie zwyczajnie nie radzić z pełnym ogarnięciem całości. Projektanci korzystają więc z wyspecjalizowanych programów EDA (Electronic Design Automation), które pomagają rozrysować, policzyć i zweryfikować każdy fragment układu.

Nawet z takimi narzędziami tempo innowacji wyraźnie zwalnia. Kolejne generacje procesorów przynoszą coraz mniejsze zyski z każdej wprowadzonej zmiany, a liczba parametrów, które trzeba naraz uwzględnić, rośnie szybciej niż możliwości klasycznych metod projektowania.

Bez automatyzacji projektowania nie byłoby współczesnych układów scalonych. Teraz pojawia się drugi przełom – włączenie do tego procesu zaawansowanej AI.

AI dostaje nowe zadanie: wymyśl chip od końca

Zespół z Princeton i Indian Institute of Technology postanowił sprawdzić, czy da się odwrócić tradycyjne podejście do projektowania. Zamiast zaczynać od architektury i „dopasowywać” ją do wymagań, badacze zasilili model AI informacją o tym, jaki efekt ma dawać gotowy układ.

System dostał więc coś w rodzaju listy życzeń: jaką przepustowość, jakie parametry komunikacji bezprzewodowej, jakie ograniczenia mocy i rozmiaru ma spełnić końcowy chip. A potem mógł swobodnie szukać rozwiązań, nie oglądając się na to, jak zwykle działają ludzkie zespoły projektowe.

Odejście od schematów, które krępują ludzi

Dla inżynierów taka metoda jest dość rewolucyjna. Standardowo zespoły projektowe poruszają się w granicach tego, co już znają: gotowych bloków funkcjonalnych, sprawdzonych topologii, utartych „dobrych praktyk”.

Model AI nie ma takich przyzwyczajeń ani intuicji – więc też żadnych ograniczeń wypływających z lat pracy „w jednym stylu”. Może generować zupełnie egzotyczne struktury, które na pierwszy rzut oka nie przypominają niczego znanego studentom elektroniki czy doświadczonym konstruktorom.

Badacze opisują, że system faktycznie wyszedł poza ramy typowego projektowania. AI nie „podrasowała” znanych rozwiązań, lecz zaproponowała topologie, które wcześniej nikomu nie przyszłyby do głowy.

Układ wygląda jak z innej planety, ale działa lepiej niż obecne

Na potrzeby eksperymentu naukowcy poprosili AI o zaprojektowanie układu odpowiedzialnego za komunikację bezprzewodową – podobnego do tego, który można znaleźć w modemach czy smartfonach. To jedno z trudniejszych zadań w tej branży, bo takie chipy łączą w sobie elementy analogowe, cyfrowe i radiowe, a do tego muszą zmieścić się w bardzo małym obszarze.

Model AI poradził sobie z tym zadaniem w ciągu kilku godzin. Dla porównania, w klasycznym procesie projektowania, z udziałem ludzi i oprogramowania EDA, prace trwałyby tygodniami.

Gdy inżynierowie zobaczyli finalny projekt, ich pierwsza reakcja była raczej nieufna niż zachwycona. Układ miał strukturę, którą opisali jako „prawie pozaziemską” – złożoną, nieregularną, daleką od schludnych, powtarzalnych wzorów, jakie zwykle ogląda się pod mikroskopem.

Sytuacja zmieniła się, gdy zespół wyprodukował rzeczywisty chip i sprawdził jego parametry. Okazało się, że:

• osiąga wyższą wydajność niż porównywalne układy projektowane klasycznie,
• radzi sobie lepiej z przepływem sygnału radiowego,
• zapewnia poziom działania, którego inżynierowie wcześniej nie uzyskiwali.

Badacze przyznają, że w pełni nie rozumieją, dlaczego takie „dziwne” struktury działają tak dobrze. Mimo to pomiary są jednoznaczne: parametry przewyższają obecne standardy.

Gdzie w tym wszystkim miejsce dla człowieka

Choć wyniki brzmią efektownie, naukowcy wcale nie ogłaszają końca pracy projektantów układów scalonych. Podkreślają, że narzędzie jest we wczesnej fazie rozwoju i wciąż generuje rozwiązania, które wymagają nadzoru oraz korekt po stronie inżynierów.

AI przejmuje najtrudniejszą część – błądzenie po gigantycznej przestrzeni możliwych konfiguracji. Człowiek:

• weryfikuje, czy projekt da się fizycznie wyprodukować w konkretnym procesie technologicznym,
• sprawdza, czy nie pojawią się ukryte problemy, np. z niezawodnością,
• ustawia priorytety: czy ważniejsza jest maksymalna wydajność, minimalne zużycie energii, czy koszt.

Badacze sugerują, że realny scenariusz na najbliższe lata to ścisła współpraca między człowiekiem a AI – coś w rodzaju „kopilota” dla inżyniera, który generuje nieoczywiste pomysły, a specjalista wybiera te sensowne i doprowadza je do wersji produkcyjnej.

Zmiana reguł gry w całym łańcuchu technologii

Jeśli takie podejście się przyjmie, może zmienić nie tylko same procesory, ale cały ekosystem elektroniki. Szybsze i tańsze projektowanie nietypowych układów otwiera drogę do bardziej wyspecjalizowanych chipów – pod konkretne zastosowania, np. urządzenia medyczne, systemy IoT, sensory przemysłowe, sprzęt dla sieci 6G czy dedykowane akceleratory AI.

Dzisiaj projektowanie niestandardowego układu jest bardzo drogie, więc wielu firmom zwyczajnie się to nie opłaca. Gdy czas i koszt spadną dzięki AI, takich „szytych na miarę” rozwiązań może być znacznie więcej.

Co to może znaczyć dla nas i gospodarki

Dla przeciętnego użytkownika nowe metody projektowania nie są widoczne na pierwszy rzut oka, ale wpływają na to, jakie urządzenia trafią na rynek w najbliższych latach. Jeśli chipy będą bardziej wydajne energetycznie, smartfony czy laptopy zyskają dodatkowe godziny pracy na baterii. Lepsze układy radiowe to stabilniejsze łącza, szybsze pobieranie danych i mniejsze opóźnienia w grach online.

Z perspektywy gospodarki w grę wchodzi coś jeszcze ważniejszego: wyścig technologiczny między regionami. Kraj albo firma, która pierwsza opanuje projektowanie z pomocą AI na masową skalę, może przejąć przewagę w branżach od telekomunikacji, przez obronność, po robotykę i automotive.

Ryzyka, pytania i granice zaufania do SI

Nowe podejście rodzi też niewygodne pytania. Jak daleko można zaufać strukturze, której nikt w pełni nie rozumie? W elektronice wysokiej niezawodności – np. w lotnictwie czy medycynie – producent musi wyjaśnić zachowanie układu w możliwie wielu scenariuszach.

Jeśli chip zaprojektowany przez AI działa świetnie, ale trudno go „rozłożyć na czynniki pierwsze” w klasyczny sposób, konieczne staną się nowe metody weryfikacji: bardziej rozbudowane testy, symulacje skrajnych warunków, może osobne systemy AI kontrolujące poprawność projektu innej AI.

Do tego dochodzi kwestia odpowiedzialności. Gdyby awaria wynikała z ukrytej cechy struktury wygenerowanej przez model, trudno będzie wskazać błąd „na kartce”, jak robi się to dziś. Regulatorzy, firmy ubezpieczeniowe i prawnicy dopiero zaczną mierzyć się z takim scenariuszem.

Co z tego wynika dla sztucznej inteligencji jako takiej

Ten eksperyment pokazuje coś więcej niż tylko sprytne narzędzie dla elektroników. To dowód, że AI coraz lepiej radzi sobie z zadaniami, w których:

• istnieje ogromna liczba możliwych rozwiązań,
• człowiek nie potrafi intuicyjnie ocenić każdego z nich,
• łatwiej sprawdzić efekt końcowy niż zrozumieć pełną drogę dojścia.

Podobny schemat widać już w biotechnologii przy modelach takich jak AlphaFold, które przewidują struktury białek. Teraz ta logika wchodzi do elektroniki, a w kolejce stoją kolejne dziedziny inżynierii.

Dla części specjalistów może to brzmieć niepokojąco – bo ich zawód zmienia się w coś innego, bardziej przypominającego nadzór i wybieranie opcji, niż samodzielne projektowanie od zera. Z drugiej strony pojawia się szansa, by skupić się na wizji, wymaganiach systemowych, bezpieczeństwie i etyce, a ciężką, żmudną pracę nad szczegółami oddać maszynom.

Jeśli ten kierunek się utrzyma, coraz częściej będziemy korzystać z urządzeń, których głębokiej struktury nie rozumie nikt – poza modelem AI, który pomógł je zaprojektować. Najważniejsze stanie się wtedy to, jak dobrze potrafimy je testować, weryfikować i uczyć się na ich zachowaniu w realnych warunkach.