- Perėjimas nuo automatizavimo, pagrįsto statiniais algoritmais, prie kognityvinių sistemų, gebančių samprotauti ir planuoti lustų projektavimą.
- Agentinių darbo eigų, kurios optimizuoja PPA (galią, našumą ir plotą) ir pagreitina klaidų šalinimą regresinio triažo metu, diegimas.
- Nuspėjamoji priežiūra ir kokybės kontrolė realiuoju laiku daro trikdantį poveikį gamybai, siekiant maksimaliai padidinti plokštelių našumą.
Žvelgiant atgal, puslaidininkių pramonė visada buvo nuolatinio atsinaujinimo būsenoje. Nuo elektroninio projektavimo automatizavimo (EDA) pradžios iki šių dienų pramonė susidūrė su vis sudėtingesniais iššūkiais: submikroninėmis procesų technologijomis , sudėtingomis 2.5D ir 3D integracijomis ir, regis, nesibaigiančiais tikrinimo ciklais. Tokioje aplinkoje klaidų tikimybė praktiškai neegzistuoja, o spaudimas pateikti produktus į rinką yra negailestingas.
Realybė tokia, kad greitų įrankių nebeužtenka; mums reikia sistemų, kurios mąstytų. Mes pereiname iš eros, kai dirbtinis intelektas buvo tiesiog asistentas atliekant atskiras užduotis, į etapą, kuriame kalbame apie agentinius darbo eigą . Tai ne tik techninis patobulinimas, bet ir paradigmos pokytis, leidžiantis inžinieriams valdyti sudėtingumą, kurio dabar neįmanoma suvokti vienam žmogaus protui, keičiant techninės įrangos suvokimo būdą – nuo architektūros iki pakuotės.
Nuo paprastų raginimų iki autonominių darbo eigų
Kurį laiką mus pribloškė generatyvinis dirbtinis intelektas, pagrįstas vieno klausimo ir atsakymo sąveika. Gerai, tai naudinga rašant el. laišką, tačiau lustų inžinerijoje tikroji vertė kyla iš pasikartojančių generavimo, analizės ir taisymo ciklų . Čia praverčia agentinis dirbtinis intelektas , kuris ne tik pateikia atsakymą, bet ir sujungia užduotis, kritikuoja savo rezultatus ir kartoja procesą, kol pasiekia optimalų sprendimą.
Šis požiūris yra gyvybiškai svarbus, nes integrinių grandynų projektavimas yra fragmentiškas procesas. Reikia parašyti projektavimo kodą, patikrinti, ar viskas veikia, paversti jį fiziniu įgyvendinimu ir paruošti produktą gamybai. Agentinės sistemos gali sujungti šiuos etapus, sugriauti tradicinius duomenų silosus ir leisti duomenims tekėti tarp skirtingų kompetencijos sričių, o tai galiausiai lemia visos sistemos optimizavimą.
Praktinis pritaikymas projektavimo ir patikros etape
Žvelgiant į kasdienį inžinieriaus darbą, klaidų triažas yra tikras galvos skausmas. Įsivaizduokite milijonus simuliacijų su tūkstančiais gedimų, kuriuos reikia klasifikuoti ir suskirstyti pagal prioritetus rankiniu būdu. Naudodama agentinį dirbtinį intelektą, sistema gali grupuoti panašias problemas ir paspartinti incidentų sprendimą, o tai ne tik padidina produktyvumą, bet ir pagerina galutinę silicio kokybę.
Be to, jau matėme pažangą su tokiais įrankiais kaip „DSO.ai“, kurie leidžia tyrinėti dideles projektavimo erdves, siekiant vienu metu optimizuoti galią, našumą ir plotą (PPA). Dabartinis tikslas – išplėsti šį techninį griežtumą tokioms užduotims kaip laiko nustatymas , kur anksčiau reikėjo herakliškų rankinių pastangų. Dirbtinis intelektas nėra skirtas pakeisti inžinieriaus sprendimų, o sustiprinti jo vykdymo galimybes.
Gamybos ir tiekimo grandinės transformacija
Šios technologijos poveikis neapsiriboja projektavimo biuru; jis tęsiasi iki pat gamybos cecho (fab). Mes pereiname prie beveik autonominės gamybos . Dėl išmaniųjų agentų galima stebėti gamybos linijas realiuoju laiku, kad būtų galima akimirksniu aptikti defektus ir operatyviai koreguoti mašinos parametrus, taip pasiekiant iki 15 % produktyvumo padidėjimą.
Kalbant apie techninę priežiūrą, agentinis dirbtinis intelektas leidžia pereiti nuo reaktyvaus prie nuspėjamojo modelio. Užuot laukę, kol suges mašina, agentai analizuoja modelius ir suplanuoja tikslų įsikišimą , taip išvengdami brangių prastovų. Tai papildo daug išmanesnis tiekimo valdymas, kai dirbtinis intelektas gali aptikti medžiagų trūkumą, rasti alternatyvius tiekėjus ir pateikti užsakymus be rankinio įsikišimo.
Techninių ir žmogiškųjų kliūčių įveikimas
Nepaisant optimizmo, šių sistemų diegimas nėra vien naujos programinės įrangos diegimo klausimas. Tai architektūrinis ir kultūrinis iššūkis . Kai komandos pradeda taikyti vietinius dirbtinio intelekto metodus, kyla natūrali trintis, nes vienos grupės progresuoja greičiau nei kitos ir abejoja tradiciniais darbo metodais. Tikroji kliūtis šiandien yra ne skaičiavimo galia, o žmonių gebėjimas permąstyti savo procesus.
Siekiant demokratizuoti šią prieigą, atsiranda tokios platformos kaip „NeoPilot“, leidžiančios kurti pasirinktinius agentus naudojant natūralią kalbą, nereikalaujant programavimo patirties. Šie įrankiai palengvina vektorinių ir grafinių duomenų bazių (pvz., „Milvus“ ar „Neo4j“) integraciją, todėl dirbtinis intelektas gali apdoroti sudėtingą techninę dokumentaciją ir projektavimo specifikacijas stebėtinu tikslumu.
Greitis kaip konkurencinis pranašumas
Šiandieninėje puslaidininkių rinkoje greitis yra valiuta. Tačiau atminkite, kad svarbu ne tą patį atlikti greičiau, o mokytis ir iteruoti su didesniu lankstumu . Įmonės, kurioms pavyks integruoti agentinį dirbtinį intelektą į savo darbo eigą, laimės ne todėl, kad jos pakeis žmonių talentus, o todėl, kad leis savo ekspertams sutelkti dėmesį į strategiją, o dirbtinis intelektas valdys operacinį sudėtingumą.
Kelias į autonominį projektavimą yra negrįžtamas. Nuo algoritminės pagalbos perėjome prie kognityvinių sistemų, gebančių samprotauti ir valdyti įrankius. Toliau tobulėjant taikomųjų dirbtinio intelekto modeliams, matysime visišką programinės ir aparatinės įrangos kooptimizavimą , kuris drastiškai sutrumpins laiką nuo idėjos gimimo iki galutinio lusto, paliekančio gamyklą aukščiausios įmanomos kokybės.
Autonominių agentų, multimodalinio apdorojimo ir pažangių samprotavimo galimybių konvergencija iš naujo apibrėžia elektronikos pramonės aplinką. Atlaisvindama inžinierius nuo pačių nuobodžiausių ir rankinių užduočių, ji atveria duris į inovacijų erą, kurioje puslaidininkių dizainas bus efektyvesnis, tikslesnis ir gebės patenkinti naujos kartos skaičiavimo poreikius.
