מהפכת ה-LLM בעיצוב מעגלים: סוכנת בינה מלאכותית מקבלת החלטות על מידות טרנזיסטורים
חוקרים מאוניברסיטת אדינבורו פיתחו כלי בינה מלאכותית (EEsizer) המבוסס על LLM לאוטומציה של תהליך 'סידור טרנזיסטורים' בעיצוב מעגלים AMS. המערכת משלבת סימולטורים וניתוח נתונים, הצליחה לבצע אופטימיזציה למגבר פעיל CMOS בטכנולוגיית 90nm תוך 20 איטרציות בלבד.
EEsizer: סידור אוטומטי של טרנזיסטורים באמצעות כלי בינה מלאכותית מבוססי LLM
חוקרים מאוניברסיטת אדינבורו פיתחו EEsizer - סוכנת בינה מלאכותית המבוססת על מודלי שפה גדולים (LLMs) כדי להפוך את תהליך 'סידור הטרנזיסטורים' - שלב קריטי בעיצוב מעגלים אנלוגיים ומעורבים (AMS) - לאוטומטי לחלוטין.
כיצד זה עובד?
המערכת משלבת:
- רשתות LLMs (כמו OpenAI o3)
- סימולטורים למעגלים חשמליים
- כלי ניתוח נתונים מותאמים
ליבת הפיתוח משתמשת ב:
- הנדסת פרומפטים (Prompt Engineering)
- חשיבה שרשרת-היגיון (Chain-of-Thought Reasoning)
- לולאת אופטימיזציה סגורה
"הסוכן חוקר כיווני עיצוב, מעריך ביצועים ומשפר פתרונות ללא תלות בידע חיצוני" - חוקרים
תוצאות מבטיחות
בניסוי שפורסם במאמר טכני ב-arXiv:
- אופטימיזציה מלאה למגבר פעיל CMOS עם 20 טרנזיסטורים
- השגת מדדי ביצוע מרובי יעדים בטכנולוגיית 90nm
- 20 איטרציות מקסימום לתוצאה אופטימלית
- עמידות מוכחת מול שינויים פרמטרים
המחקר מתבסס על צפי לעיצוב מעגלים מדויקים יותר בתהליך אופטימיזציה מואץ, ומציין כי LLMs יכולים 'להבין' הנדסת AMS טוב יותר ממודלים קונוונציונליים.
מקורות