La inteligencia artificial está empezando a superar a los ingenieros en áreas específicas del diseño de chips, optimizando la eficiencia y reduciendo costos. Aunque herramientas como las de Google DeepMind logran diseños super-humanos, el proceso aún requiere una guía humana constante para la toma de decisiones estratégicas. Actualmente, la IA actúa como un multiplicador de fuerza que permite a los expertos explorar innovaciones más complejas y rápidas.




Durante décadas, el diseño de semiconductores ha sido impulsado por humanos que proponen ideas brillantes que desbloquean nuevas innovaciones. Pero los beneficios de un mejor diseño de chips ya se han cosechado, incluyendo el auge de la IA, lo que ahora significa que podría haber otra parte involucrada en hacer que los diseños de chips sean más inteligentes: la propia IA.

El rol de "diseñador de chips" no es uno de los puestos en peligro mientras la automatización de la IA trastoca el mercado laboral. Pero en los nichos estrechos del flujo de diseño donde los problemas están estructurados y los evaluadores son robustos, se está empezando a adoptar, con beneficios.

El sistema de aprendizaje por refuerzo AlphaChip de Google DeepMind ha producido diseños para tres generaciones de las Unidades de Procesamiento Tensorial (TPU) de la compañía, y DeepMind afirma que los diseños son "superhumanos" en comparación con los producidos por diseñadores humanos. No están solos: Synopsys ha superado los 100 lanzamientos de producción con su herramienta de optimización del espacio de diseño DSO.ai, reportando aumentos de productividad de más de tres veces y reducciones de energía de hasta el 25% para clientes como STMicroelectronics y SK hynix.

"Como toda tecnología nueva, la IA puede tener múltiples usos", dijo Borivoje Nikolić, profesor de ingeniería eléctrica y ciencias de la computación de la Universidad de California, Berkeley, en una entrevista. Nikolić trazó un paralelo con la Ley de Moore, que históricamente se ha explotado de dos maneras: reducir el coste de un producto existente portándolo a procesos más baratos, o añadir funciones que antes eran imposibles. "Creo que la IA se utilizará de ambas formas", afirma. "En este momento, la industria parece centrarse en el primer punto: cómo hacer las cosas más baratas, cómo automatizar las cosas de una mejor manera que en el pasado".


Por el contrario, los académicos están más interesados en utilizar la IA para descubrir cosas que los humanos aún no han pensado, un enfoque que refleja los avances en áreas como el descubrimiento de fármacos y el plegamiento de proteínas con herramientas como AlphaFold.

Nikolić y su colega Sagar Karandikar han estado explorando ese territorio en su propia investigación sobre políticas de reemplazo de caché, un tema muy especializado de la microarquitectura de procesadores. Su sistema ArchAgent, basado en el marco AlphaEvolve de Google DeepMind, generó una política de reemplazo de caché en dos días que superó el estado del arte anterior en un 5,3% en la aceleración de IPC en las trazas de carga de trabajo multicore de Google. En los benchmarks SPEC06 de un solo núcleo, tardó 18 días en lograr otro 0,9%. Para Karandikar, esto es un "primer signo de vida" de que los modelos de lenguaje extenso (LLM) pueden diseñar lógica genuinamente nueva, en lugar de limitarse a ajustar parámetros existentes.

"Todavía hay mucha guía humana, y esto eleva la calidad del pensamiento que los humanos deben realizar", dijo Karandikar, investigador de arquitectura de computadoras en Berkeley. "Los humanos involucrados en ese proyecto realizan más el pensamiento de alto nivel —ideando nuevas ideas y guiando al LLM— y el LLM se encarga de gran parte del desarrollo de la política más detallada en torno a ello".

Dónde la IA está logrando avances

Para Igor Markov, un investigador de diseño de chips que ha pasado años en la vanguardia de la automatización del diseño electrónico, los lugares donde la IA aporta un valor real son específicos y a menudo mundanos. Algunos de los mayores éxitos, dice, se producen en la parte baja del flujo, como las tareas que antes requerían que los ingenieros interpretaran especificaciones informales escritas en lenguaje natural y las convirtieran en descripciones formales sobre las que una herramienta pudiera actuar.

Tomen las redes de alimentación y tierra, las intrincadas redes de metal que llevan la electricidad a través de un chip. "A veces se diseñan solo con descripciones en lenguaje natural", dijo Markov. "La gente explica la geometría, luego se implementa y, en algún momento, es necesario formalizarlo. Este es un paso que se hacía manualmente, y es bastante sencillo de automatizar utilizando IA". El dividendo de productividad no es masivo; “tardaba un par de días, ahora tarda un par de horas”, explicó. Pero sigue siendo mejor que nada, aunque el resultado aún deba ser verificado.

Donde Markov es más optimista es en lo que llama el espacio agéntico: la orquestación de alto nivel de los flujos de diseño de chips, incluyendo decidir si una ejecución está condenada al fracaso o si un flujo debe reiniciarse por completo. “Si multiplicas un cero por algo, obtienes un cero”, afirmó. “Pero si ya tienes algo decente, entonces este control de alto nivel puede ser muy, muy habilitador”.

Los rincones más obstinados de la industria están empezando a pensar en adoptar la IA. El diseño analógico ha sido visto durante mucho tiempo como el último reducto de la artesanía humana, pero los investigadores han empezado a producir sistemas de IA generativa como AnalogGenie, que utiliza un modelo estilo GPT para descubrir nuevas topologías de circuitos, y el descubrimiento del espacio de diseño habilitado por IA de Princeton para amplificadores de potencia de ondas milimétricas y sub-terahertz que operan entre 30 y 120 GHz.

En estas áreas, lo que a menudo se ve como un fallo de la IA —que no tiene un conocimiento inherente o memoria muscular propia— se convierte en una fortaleza. Los humanos tienden, al portar un diseño de un nodo de proceso a otro, a asumir que la topología antigua debe estar cerca de lo óptimo para la nueva. “La IA puede no tener ese tipo de barreras”, dijo Nikolić.

Pruebas frente a la vida real

Sin embargo, es necesaria cierta precaución. La IA puede ser entrenada para bordar las demostraciones, pero puede suspender los problemas más desordenados que los ingenieros enfrentan en la práctica. "Que algo que funciona en cinco casos funcione en general y te permita innovar, esa es la clave", dice Markov.

También está el problema de qué es lo que se le pide a la IA en primer lugar. Pida a un modelo que diseñe el mejor chip para IA y, sin una especificación formal e inequívoca de lo que significa "mejor", el modelo producirá algo, o cualquier cosa. "Se convertirá en un juego de golpear al topo", dijo Markov cuando se trata de hacer que funcione en la práctica.

Añadió que cada salto anterior en la automatización del diseño ha provocado debates similares sobre si las máquinas pueden realmente pensar. Los algoritmos de ruta más corta para el enrutamiento de cables, que alguna vez se vieron como una capacidad distintivamente humana, se convirtieron en tareas de grado universitario. Los algoritmos de colocación ahora superan rutinariamente a los diseñadores humanos. La síntesis lógica, que una vez se consideró demasiado abstracta para automatizarse, se gestiona mediante bucles for y condicionales. “La EDA (Automatización del Diseño Electrónico) siempre ha sido un tipo de IA, porque automatizó lo que la gente hacía”, dijo Markov. “Simplemente estamos avanzando en línea recta y no hay quien nos detenga”.

Por ahora, la IA está actuando como un multiplicador de fuerza, dijo Markov, exprimiendo más producción de los equipos en lugar de reducirlos. Quiénes forman parte de esos equipos y qué aportan también está cambiando: los ingenieros que dominan los asistentes de codificación de IA son ahora demandados donde no lo eran hace seis meses.

La paradoja de Jevons también pesa sobre el potencial de la IA en el proceso de diseño de chips. A medida que la IA hace que ciertas partes del proceso sean drásticamente más baratas y rápidas, Nikolić espera que los ingenieros utilicen esa capacidad liberada para explorar territorios que de otro modo no se habrían atrevido a abordar, incluido el diseño de los propios chips de IA que impulsan todo el ciclo.

Después de todo, si hay alguna clase de silicio preparada para el tipo de optimización que aún no ha sido estudiada sistemáticamente, Markov sostiene que son los aceleradores altamente estructurados y críticos para el rendimiento que impulsan el auge actual. “Hay muchas oportunidades para que los humanos mejoren otras partes del flujo de diseño para hacerlo más amenable a estos sistemas basados en IA”, dijo Karandikar. A medida que los modelos se vuelven más avanzados, también podrían hacerlo sus capacidades para asistir en el diseño y desarrollo de chips.

Fuente:
TomsHardware