سیناپس از اولین شرکت‌هایی بود که قابلیت‌های هوش مصنوعی عمومی را در مجموعه اتوماسیون طراحی الکترونیکی (EDA) خود در سال‌های 2021 تا 2024 ادغام کرد و تا کنون صدها، یا حتی هزاران تراشه با استفاده از ابزارهای تقویت‌شده با هوش مصنوعی طراحی شده‌اند. این هفته، سیناپس یک ارتقاء گسترده را در پلتفرم طراحی نیمه‌هادی خود با جاسازی قابلیت‌های هوش مصنوعی مولد در سراسر محصولات EDA خود معرفی کرد با هدف کوتاه کردن چرخه‌های توسعه، بهبود بهره‌وری مهندسان و امکان‌پذیر ساختن طراحی‌های پیچیده توسط تیم‌های با کمبود نیرو.

سیناپس در حال حاضر مجموعه‌ای از ابزارهای EDA دارد که قادر به پوشش هر مرحله از توسعه تراشه است، از جمله تأیید IP (VSO.ai)، تأیید آنالوگ (ASO.ai)، سنتز RTL، برنامه‌ریزی فضا، جایگذاری و مسیریابی (DSO.ai)، یکپارچه‌سازی سه‌بعدی (3DSO.ai) و تأیید عملکرد نهایی (TSO.ai). این شرکت همچنین ابزارهای تحلیل داده Design.da، Fab.da و Silicon.da را نیز دارد.

این شرکت اکنون ویژگی‌های Synopsys.ai Copilot — شامل ابزارهای کمکی (Assistive) و خلاق (Creative) — را به مجموعه خود اضافه می‌کند تا توسعه تراشه را بیشتر تسریع بخشد. ویژگی‌های کمکی به عنوان یک دستیار عمل می‌کنند که هدفشان کمک به مهندسان برای کار سریع‌تر و مستقل‌تر با ساده‌سازی استفاده از ابزار، خودکارسازی وظایف روتین و کاهش وابستگی به پشتیبانی متخصص است.

ویژگی‌های خلاق — که در مراحل اولیه توسعه هستند و فقط توسط مشتریان منتخب استفاده می‌شوند — برای تولید خودکار محتوای طراحی و تأیید، مانند کد RTL، تست‌بنچ‌ها و ادعاها، به منظور تسریع چرخه‌های توسعه و افزایش بهره‌وری مهندسی طراحی شده‌اند.

یک دستیار

شاید مهم‌ترین قابلیت کمکی، «کمک دانش» (Knowledge Assistance) باشد که دسترسی بی‌درنگ به مستندات فنی، راهنمایی ابزار و محتوای تخصصی را مستقیماً در محیط سیناپس فراهم می‌کند. در نتیجه، به جای صرف ساعت‌ها برای جستجو در دفترچه‌های راهنما یا انتظار برای نظر متخصص، مهندسان می‌توانند پاسخ‌های مرتبط را در عرض چند دقیقه بازیابی کنند. به گفته سیناپس، دسترسی ساده به دانش منجر به بهبود 30 درصدی سرعت آموزش مهندسان تازه‌کار می‌شود. «کمک دانش» در Synopsys Cloud در دسترس است و تاکنون توسط بیش از 100 استارتاپ برای افزایش بهره‌وری و تسریع زمان‌بندی پروژه‌هایشان به کار گرفته شده است.

علاوه بر این، «کمک گردش کار» (Workflow Assistance) وجود دارد که برای تسریع وظایف تکراری اسکریپت‌نویسی و اتوماسیون طراحی شده است، که به طور متوسط، زمان رسیدن به راه‌حل را دو برابر کاهش می‌دهد، و به گفته سیناپس، هنگامی که در ابزارهایی مانند Synopsys PrimeTime به کار گرفته می‌شود، می‌تواند اسکریپت‌ها را 10 تا 20 برابر سریع‌تر از حالت دستی تولید کند. در نهایت، «کمک اجرا» (Run Assistance) وجود دارد که احتمالاً به کاربران کمک می‌کند تا دستورات یا جریان‌های ابزار را سریع‌تر اجرا کنند، اگرچه سیناپس جزئیات زیادی در این مورد فاش نمی‌کند، بنابراین ما فقط می‌توانیم حدس بزنیم که این قابلیت دقیقاً چه کاری انجام می‌دهد.

یک سازنده

اگر قابلیت‌های کمکی را بتوان «دستیار» نامید، ویژگی‌های خلاق را می‌توان «سازنده» نامید، زیرا آنها واقعاً می‌توانند محتوا تولید کنند و تا حدی وابستگی به انسان را برای طراحی و تأیید کاهش دهند.

کوپایلوت‌های هوش مصنوعی مولد سیناپس می‌توانند کد RTL و ادعاهای رسمی را تولید کنند تا زمان مورد نیاز برای طراحی و تأیید را کاهش داده و به مهندسان اجازه دهند بر وظایف سطح بالاتر تمرکز کنند، در حالی که کیفیت خروجی بالا حفظ می‌شود. با این حال، یک نکته وجود دارد: این ابزارها هنوز کامل نیستند. دستیار ادعای سیناپس دارای 80% دقت نحوی و 70% دقت عملکردی است.

• این بدان معناست که 8 از هر 10 ادعای رسمی تولید شده توسط Synopsys.ai Copilot عاری از خطاهای نحوی هستند و می‌توانند با موفقیت توسط ابزارهای تأیید رسمی (که به 100% دقت نحوی نیاز دارند) بدون تغییر پردازش و درک شوند. با این حال، 2 از هر 10 ادعای رسمی نیاز به اصلاح دارند، و در حال حاضر، سیناپس فاش نمی‌کند که آیا این موارد خاص نیاز به اصلاحات قابل توجهی دارند یا خیر.
• Synopsys.ai Copilot همچنین ادعاهایی را تولید می‌کند که از نظر عملکردی صحیح هستند (یعنی رفتار مورد نظر طراحی را به درستی توصیف می‌کنند) در حدود 70% موارد، بنابراین اکثر آنها برای تأیید واقعی قابل استفاده هستند، اما 30% نیاز به بررسی یا تنظیمات دارند.

به طور کلی، 80% از ادعاهای تولید شده توسط Synopsys.ai Copilot بدون مشکل کار می‌کنند و 70% از آنها کاری را که برای آن در نظر گرفته شده‌اند انجام می‌دهند، که به گفته شرکت، فرآیند تأیید را به طور قابل توجهی تسریع می‌کند. با این حال، نظارت انسانی همچنان مورد نیاز است.

سیناپس می‌گوید که ابزارهای خلاق Copilot.ai آن در حال حاضر توسط مشتریان دسترسی اولیه برای کاهش چرخه‌هایی که زمانی روزها طول می‌کشیدند به ساعت‌ها یا حتی دقایق، استفاده می‌شوند. به عنوان مثال، یک طراح بزرگ تراشه قراردادی توانست تأیید 10 جزء طراحی را تنها در 10 روز به پایان برساند که نتیجه خوبی است. با این حال، در حالی که این مجموعه ابزارها زمان طراحی را کاهش می‌دهند و نیاز به تعداد مهندسان درگیر در یک پروژه را کمتر می‌کنند، اما الزامات مربوط به صلاحیت آنها را کاهش نمی‌دهند و قطعاً جایگزین آنها نمی‌شوند. از این منظر، Synopsys.ai Copilot هنوز یک ChatGPT برای طراحی تراشه نیست.

“هوش مصنوعی در حال متحول کردن هر لایه از طراحی تراشه و تغذیه موجی از نبوغ برای ارائه نسل بعدی SoCهای پیشرفته است،” این را سانجی بالی، معاون ارشد، استراتژی و مدیریت محصول، سیناپس گفت. “با قابلیت‌های Synopsys.ai Copilot که اکنون از قابلیت‌های کمکی و خلاق در سراسر جریان طراحی تراشه پشتیبانی می‌کنند و تأثیر قابل توجهی بر مشتری دارند، ما تیم‌های مهندسی را توانمند می‌سازیم تا کیفیت طراحی‌ها را افزایش دهند، زمان خود را برای فرصت‌های با ارزش بالاتر آزاد کنند و نوآوری فناوری را تسریع بخشند.”

ابزارهای Ansys نیز به هوش مصنوعی مجهز می‌شوند

با تصاحب Ansys، سیناپس ردپای هوش مصنوعی خود را در شبیه‌سازی و مدل‌سازی گسترش می‌دهد. Ansys اخیراً Engineering Copilot خود را معرفی کرده است، یک دستیار مجازی — یا دستیار — که به کاربران دسترسی فوری به دهه‌ها دانش شبیه‌سازی انباشته شده می‌دهد تا به مهندسان کمک کند سریع‌تر یاد بگیرند، مشکلات را کارآمدتر حل کنند و بهره‌وری را با استفاده از راهنمایی متخصص در گردش کار خود افزایش دهند.

جدیدترین نسخه Ansys همچنین بهبودهایی را در SimAI به ارمغان می‌آورد، یک ابزار شبیه‌سازی مستقل از دامنه که مدل‌سازی با دقت بالای Ansys را با سرعت مبتنی بر هوش مصنوعی ترکیب می‌کند. SimAI اکنون با Ansys optiSLang همکاری می‌کند تا ایجاد مجموعه داده و آموزش هوش مصنوعی را تسریع بخشد و مهندسان را قادر سازد گزینه‌های طراحی بیشتری را بررسی کرده و زمان توسعه را کاهش دهند.

ماشین‌ها در حال ساخت ماشین‌ها؟

در یک حرکت بلندمدت‌تر، سیناپس با مایکروسافت همکاری می‌کند تا AgentEngineer را توسعه دهد، یک سیستم هوش مصنوعی چندعاملی که برای تصاحب تدریجی کل جریان‌های مهندسی طراحی شده است، که اساساً ماشین‌ها را قادر می‌سازد تا تراشه‌ها را طراحی کنند و تنها چند مرحله و حجم کاری را برای انسان‌ها باقی بگذارند.

این پروژه یک نقشه راه از وظایف خودکار ساده (L2) تا کنترل جریان تطبیقی (L4) و در نهایت تصمیم‌گیری خودمختار (L5) را هدف قرار می‌دهد. این سیستم بر روی پلتفرم Discovery مایکروسافت ساخته شده و اخیراً در DAC 2025 به نمایش گذاشته شد.

اما انسان‌ها همچنان آنها را تعریف خواهند کرد

سیناپس قطعاً در زمینه تزریق هوش مصنوعی به جریان طراحی تراشه راه درازی را پیموده است و هدف آینده آن عمدتاً تبدیل طراحی تراشه به یک فرآیند خودمختار است. این چه چیزی برای مهندسان انسانی باقی می‌گذارد؟

توسعه معماری‌ها و ریزمعماری‌ها — وظایفی که تقاطع فناوری و هنر محسوب می‌شوند — معمولاً توسط گروه‌های کوچکی از افراد باتجربه انجام می‌شود که هم به صورت خلاقانه و هم با در نظر گرفتن تصویر گسترده‌تر صنعت، پایه‌های معماری را بنا می‌نهند. در حال حاضر، نرم‌افزارهایی مانند Synopsys.ai به حجم عظیمی از داده‌های خارج از صنعت نیمه‌هادی که سیناپس به آن خدمت می‌کند، دسترسی ندارند، در حالی که LLMهایی مانند ChatGPT اوپن‌اِی‌آی هنوز قادر به حل مسائل مهندسی نیستند. به همین دلیل، انسان‌ها همچنان در طراحی معماری و ریزمعماری بهتر از ماشین‌ها خواهند بود.

با این حال، وقتی صحبت از پیاده‌سازی واقعی به میان می‌آید، هوش مصنوعی می‌تواند کمک زیادی کند، زیرا تصمیمات معماری شامل متغیرهای زیادی مانند اندازه کش، رابط‌های حافظه و پیکربندی‌ها هستند. هوش مصنوعی می‌تواند این مرحله را با اسکن سریع فضای طراحی و شناسایی پارامترهای بهینه با استفاده از قدرت محاسباتی خود تسریع بخشد. علاوه بر این، هنگام کار در کنار معماران باتجربه، هوش مصنوعی به عنوان یک ابزار پشتیبانی عمل می‌کند، مبادلات پیچیده، مانند قدرت در مقابل عملکرد، را محدود کرده و گزینه‌های پالایش شده را بر اساس تجربیاتی که بر روی آنها آموزش دیده است، ارائه می‌دهد. این به معماران کمک می‌کند تا بهترین تنظیمات را برای یک حجم کاری مشخص به طور کارآمدتر انتخاب کنند، اما قطعاً آنها را از تصمیم‌گیری نهایی حذف نمی‌کند.

دنبال کنید در Google News، یا ما را به عنوان منبع ترجیحی اضافه کنید، تا اخبار، تحلیل‌ها و بررسی‌های به‌روز ما را در فیدهای خود دریافت کنید. حتماً دکمه دنبال کردن را کلیک کنید!