اگه تو حوزه طراحی چیپ‌های الکترونیکی کار می‌کنی یا حتی فقط کنجکاوی بدونی این داستانا چیه، یه خبر توپ برات دارم! همیشه وقتی مهندس‌ها دارن چیپ طراحی می‌کنن (همون قطعه‌های کوچیک که داخل گوشی و لپتاپ و همه‌چی هستن)، یه مشکلیِ اساسی دارن: این تیکه آخر کار که باید همه چیز رو ببندن و روی هم سوار کنن، بهش میگن “physical design” یا همون طراحی فیزیکی چیپ. اینجاست که ابزارهای قشنگِ اتوماسیون مثل EDA (یعنی ابزارهایی که خودشون کارای مهندسی رو خودکار انجام می‌دن) وارد بازی می‌شن. ولی خب، این ابزارا همیشه هم انقدرها باهوش و راحت نیستن.
مثلاً یکی از معضل‌های همیشگی، “routing congestion” یا همون گرفتگی مسیرهاست که باعث می‌شه سیم‌کشی‌ها به هم گره بخورن و کل پروژه بهم بریزه و راه حل خوبی هم برای هشدار دقیق و راهنمایی درست نمی‌دن. یعنی ابزارا وقتی ترافیک یا گره‌گرفتگی تو سیم‌کشی چیپ پیش میاد، فقط یه چیزای کلی میگن و نمی‌تونن دقیق، راه حل به آدم بدن.
حالا محقق‌ها اومدن یه دستیار جدید ساختن: اسمش رو گذاشتن Multimodal Large Language Model Assistant یا به اختصار MLLMA. اگه دوست داری بدونی این یعنی چی: Multimodal یعنی می‌تونه همزمان با متن، تصویر، جدول و خلاصه یه عالمه نوع داده کار کنه؛ Large Language Model هم همون مدل‌های معروف هوش مصنوعی زبون‌باز و باهوش مثل ChatGPT خودمون. پس این دستیار یه جور هوش مصنوعیه که خیلی راحت می‌تونه با چند نوع داده ارتباط بگیره و بهت جواب بده!
کاری که این MLLMA می‌کنه اینه که نه‌تنها می‌تونه پیش‌بینی کنه تو کدوم بخش چیپ احتمال این گره‌گرفتگی‌ها هست، بلکه خیلی قشنگ و قابل فهم، بهت می‌گه چیکار کنی درستش کنی! یعنی دیگه با یه سری پیام گیج‌کننده و بدون کاربرد طرف نیستی؛ بلکه واقعاً می‌فهمی چی به چیه و می‌تونی بر اساس پیشنهادش کارت رو بهتر کنی.
روش کارش هم این‌جوریه که از یه چیزی به اسم “Genetic Prompting” راهنمایی‌شده توسط این مدل چندمدلی استفاده می‌کنه. یه توضیح کوچولو: Genetic Prompting یه روش هوشمنده که مثل تکامل ژنتیکی تو طبیعت، بین چند تا پیشنهاد و راه‌حل بچه‌بازی راه می‌ندازه و هر بار بهترین‌ها رو انتخاب می‌کنه؛ اینطوری به جوابای باحال و بدردبخور می‌رسه.
یه بخش دیگه از کارش اینه که از “Preference Learning” هم استفاده می‌کنه. این یعنی یاد می‌گیره کدوم راه‌حل‌ها بیشتر به کار آدم میاد و ارزش دارن. مثلاً می‌فهمه که همزمان هم تصویر (مثل نقشه خود چیپ)، هم جدولا (مثلاً یه سری آمارها) و هم متن (یعنی توضیحات) باید با هم بررسی بشن تا بهترین پیشنهاد داده بشه و راه‌حل به دردبخور باشه.
حالا همه این داده‌ها و تحلیل‌ها رو یه جا جمع می‌کنه تو چیزی که اسمشو گذاشته “Design Suggestion Deck” یا همون دک پیشنهاد طراحی. این یعنی یه مجموعه از پیشنهادهای دسته‌بندی‌شده و کاملاً قابل فهم که هر مهندسی می‌تونه درجا ازش استفاده کنه تا چیپش شیک‌تر و بی‌دردسرتر طراحی شه!
تو تست‌هایی که با همین مدل جدید روی دیتاست معروف CircuitNet انجام دادن (یه سری معیاری که همه برای اعتبارسنجی مدل‌ها استفاده می‌کنن)، MLLMA تونسته دقیق‌تر باشه و بهتر از قبل توضیح بده چرا فلان پیشنهاد رو می‌ده. یعنی هم رتبه‌ی دقتش بالاست، هم حرف‌هاش آدم رو متقاعد می‌کنه و واقعاً به درد بخوره.
حتی به یه مورد خاص از راهنمایی توی فضای واقعی طراحی هم نگاه کردن و نشون دادن پیشنهادهایی که مدل می‌ده، با چیزایی که توی پروژه واقعی نیازه، همخونی داره و قابل اجراست. خلاصه که معلوم شده این مدل واقعاً می‌تونه به عنوان یه دستیار هوشمند و قابل اعتماد واسه مهندس‌ها استفاده شه؛ هم از نظر قابل فهم بودن توضیح‌ها (همون Explainability) و هم اینکه دقیقاً شرایط و محدودیت‌های واقعی پروژه‌ها رو می‌دونه.
در کل، این مدل جدید نشون داده که مدل‌های بزرگ و پیشرفته هوش مصنوعی می‌تونن وارد حوزه طراحی فیزیکی چیپ بشن و دستیار مهندس‌ها باشن؛ اونم نه فقط یه دستیار خشک و بی‌حوصله، بلکه یکی که واقعاً باهوش و قابل اعتماده و می‌شه روش حساب کرد!
منبع: +
