סוף עידן ההזיות: בינה מלאכותית דטרמיניסטית בהנדסה

⁨סוכני בינה מלאכותית⁩ מחסלים את תופעת ההזיות ההנדסיות על ידי פעולה בתוך ⁨לולאות דטרמיניסטיות⁩, שבהן מנועי אימות מבוססי פיזיקה בודקים כל פלט הסתברותי לפני שהוא מגיע לייצור. שינוי ארכיטקטוני זה מעביר את ה-AI מכלי להצעות יצירתיות לרכיב אמין בתוך מערך התכנון התעשייתי. בסביבות בעלות סיכון גבוה כמו ייצור שבבים, העלות של טעות בודדת גבוהה מדי מכדי להסתמך על הסתברות סטטיסטית בלבד.

נקודות מפתח

מודלי שפה הסתברותיים נכשלים בהנדסה קריטית כי הם חוזים טוקנים, לא תוצאות פיזיקליות.
⁨אימות דטרמיניסטי⁩ משמש כשופט שאינו נתון למשא ומתן, הבודק הצעות AI מול חוקי פיזיקה נוקשים.
השותפות בין סימנס ל-NVIDIA מדגימה כיצד תהליכי עבודה המאמתים את עצמם מונעים שגיאות סיליקון בשווי מיליוני דולרים.
יעילות הנדסית אמיתית נמדדת בצמצום סבבי התיקון (re-spins), ולא במהירות יצירת הקוד.

בתעשיית המוליכים למחצה, להיות "כמעט צודק" זהה ללהיות טועה לחלוטין. טעות בודדת בקוד RTL או הפרה של כללי תכנון פיזיים שחומקת לשלב ה-tapeout עלולה לעלות מיליוני דולרים בייצור מסכות מבוזבז. מודלי שפה גדולים הם הסתברותיים מטבעם. הם נועדו לחזות את המילה או הטוקן הבאים בסבירות הגבוהה ביותר, מה שהופך אותם למצוינים בכתיבת אימיילים אך למסוכנים כשהם נדרשים לנהל זרם אלקטרונים במעגל מורכב.

כאשר מהנדס מבקש מסוכן AI לייעל מיקום רכיבים או לפתור בעיית תזמון, הוא מסתכן במפגש עם ⁨הזיות המוגשות בביטחון עצמי גבוה⁩. ה-AI עשוי להציע פתרון שנראה אלגנטי מבחינה מתמטית אך מפר חוק יסוד בתרמודינמיקה או באלקטרומגנטיות. כדי להתקדם מעבר לצעצועים ניסיוניים, בינה מלאכותית הנדסית חייבת להיות קשורה למערכות אימות דטרמיניסטיות חיצוניות שאינן תלויות במודל עצמו.

מדוע ⁨מנועים דטרמיניסטיים⁩ הם הפוסק האחרון

במהלך כנס ה-Design Automation ביוני 2024, נקבע פרדיגמה חדשה לאמון ב-AI. במקום לתת לסוכני AI לפעול בחלל ריק, חברות כמו סימנס החלו לשלב אותם ישירות בתוך מנועי תכנון מבוססי פיזיקה. השותפות המורחבת עם NVIDIA הפכה את מערכת ה-Fuse EDA לסביבה המאמתת את עצמה.

במבנה זה, סוכן ה-AI פועל כמנוע היצירתי, אך אין לו סמכות לאשר תכנון סופי. כל הצעה מנותבת מיידית לפתור (solver) דטרמיניסטי. פותרים אלו אינם מנחשים. הם מיישמים נוסחאות מתמטיות קבועות כדי לקבוע אם תכנון הוא בר-ביצוע מבחינה פיזית. התוצאה היא בינארית: עובר או נכשל. אם השופט הפיזיקלי אומר לא, הסוכן חייב לבצע איטרציה נוספת. זה יוצר לולאה סגורה שבה ה-AI לומד מהמציאות הפיזית של הכלים, ולא רק מנתוני האימון שלו.

מאפיין	סוכן AI הסתברותי	לולאה דטרמיניסטית (AI + פיזיקה)
בסיס החלטה	תחזית סטטיסטית	חוקי פיזיקה וכללי תכנון
סיכון להזיות	גבוה	אפס (אימות חיצוני)
מהירות יצירה	מיידית	איטרטיבית (כולל אימות)
אמינות ל-Tapeout	נמוכה	גבוהה

בניית מערך הנדסי המאמת את עצמו

הפיכת AI למוכן לייצור דורשת שילוב עמוק בתוך המחסנית הטכנולוגית הקיימת. סימנס משתמשת במודלי NVIDIA NeMo Gym ו-Nemotron כדי לספק את יכולות ההסקה, אך הכוח האמיתי מגיע מחיבורי ה-API לכלים כמו Calibre לאימות פיזי ו-Questa לבדיקות לוגיות.

כאשר סוכן מנסה לתקן הפרת תכנון, הוא מפעיל סימולציה בזמן אמת. אם הסימולציה נכשלת, הסוכן מקבל את יומן השגיאות, מנתח את הכישלון ומנסה גישה אחרת. זוהי למידת חיזוק (Reinforcement Learning) בצורתה הפרקטית ביותר. מנוע הפיזיקה הופך למורה. שינוי זה הופך את תפקידו של המהנדס האנושי ממנפה שגיאות ידני לארכיטקט מערכת שמגדיר את האילוצים ומפקח על הלולאה האוטונומית.

הטרייד-אוף בין מהירות גולמית לדיוק מאומת

יש הרבה רעש בתעשייה סביב שיפורי מהירות של פי 10. בעוד שתהליך העבודה Solido של סימנס אכן יכול לקצר את זמני הסבב בסדר גודל, המדד הזה בעל ערך רק אם הפלט נכון. יצירת אלף שורות של קוד פגום בשניות אינה התקדמות. זו פשוט דרך מהירה יותר להיכשל.

ארגונים חייבים להעביר את ההשקעה שלהם מיצירת טוקנים גולמית לכוח מחשוב המיועד לאימות. זהו אבולוציה הכרחית. בסביבה שבה סבב תיקון בודד יכול להטביע תקציב של פרויקט שלם, דיוק מאומת הוא המדד היחיד שקובע. עתיד ההנדסה אינו עוסק במהירות שבה ה-AI יכול לחשוב, אלא ביעילות שבה ניתן להוכיח שהוא טועה לפני שפיסת הסיליקון הראשונה מיוצרת.

כיצד סוכני AI מתמודדים עם אילוצי פיזיקה מורכבים?

סוכנים אינם מחזיקים בהבנה מולדת של פיזיקה. במקום זאת, הם מקיימים אינטראקציה עם פותרים דטרמיניסטיים דרך ממשקי API. הפותר מספק משוב אמפירי על הצעות הסוכן, ומאלץ את ה-AI לבצע איטרציות עד שהתכנון עומד בכל הדרישות הפיזיקליות הנוקשות.

מדוע אימות דטרמיניסטי טוב יותר מסקירה אנושית?

סקירה אנושית אינה עקבית ומוגבלת על ידי קנה המידה העצום של תכנונים מודרניים המכילים מיליארדי טרנזיסטורים. כלים דטרמיניסטיים מספקים הוכחה מתמטית לנכונות שהיא מקיפה וניתנת לשחזור, מה שמאפשר ל-AI לחקור את מרחב התכנון ללא סיכון לעייפות אנושית או השמטה.

האם ניתן ליישם גישה זו מחוץ לתכנון שבבים?

כן. מסגרת זו תקפה לכל תחום עם אילוצים פיזיקליים או רגולטוריים נוקשים, כולל הנדסת מבנים, תעופה וחלל וסינתזה כימית. כל תעשייה שבה עלות הכישלון גבוהה יכולה להשתמש בלולאות דטרמיניסטיות כדי לסנן תוכן שנוצר על ידי AI.