ยกระดับการออกแบบชิปแห่งอนาคต: NYU เปิดตัวนวัตกรรม Reinforcement Learning ลดข้อผิดพลาดในการเดินสายสัญญาณ

การพัฒนาเทคโนโลยีเซมิคอนดักเตอร์ในยุคโหนดการผลิตระดับ 3 นาโนเมตรและต่ำกว่านั้น เผชิญกับความท้าทายมหาศาลในด้านการออกแบบกายภาพ (Physical Design) โดยเฉพาะขั้นตอนการเดินสายสัญญาณหรือ Detailed Routing ซึ่งเป็นคอขวดที่สำคัญที่สุดในกระบวนการออกแบบ ล่าสุด ทีมนักวิจัยจาก New York University (NYU) ได้นำเสนองานวิจัยเชิงเทคนิคเรื่อง “Routing Dense Layouts with History-Aware Offline Reinforcement Learning using LSTM” ซึ่งเป็นการนำเอาเทคโนโลยีปัญญาประดิษฐ์ประเภท Reinforcement Learning (RL) เข้ามาแก้ปัญหาการวางโครงข่ายสายสัญญาณในพื้นที่ที่หนาแน่นสูง ซึ่งมักจะพบข้อผิดพลาด (Routing Violations) ได้บ่อยครั้งในเครื่องมือออกแบบมาตรฐานเดิม ในมุมมองของนักวิเคราะห์อุตสาหกรรม งานวิจัยชิ้นนี้ถือเป็นก้าวสำคัญที่มีผลกระทบต่อห่วงโซ่อุปทานการผลิตชิป (Semiconductor Supply Chain) อย่างมีนัยสำคัญ ประการแรก คือการช่วยเพิ่มประสิทธิภาพ (Efficiency) ในการออกแบบวงจรรวมที่มีความซับซ้อนสูง ทำให้ระยะเวลาในการพัฒนาผลิตภัณฑ์ (Time-to-Market) สั้นลง ซึ่งจะช่วยลดต้นทุนการออกแบบที่พุ่งสูงขึ้นอย่างต่อเนื่องในปัจจุบัน ประการที่สอง ผลกระทบเชิงอุตสาหกรรมในแง่ของ Yield Improvement เมื่อการเดินสายสัญญาณมีความแม่นยำและเกิดข้อผิดพลาดน้อยลง โอกาสที่ชิปจะใช้งานได้สมบูรณ์ (Good Die) ก็จะมีมากขึ้น ส่งผลโดยตรงต่อต้นทุนการผลิตต่อหน่วยและความสามารถในการแข่งขันของโรงหล่อชิป (Foundry) เช่น TSMC หรือ Samsung ในอนาคตอันใกล้ เราคาดการณ์ว่าบรรดาผู้พัฒนาซอฟต์แวร์ EDA (Electronic Design Automation) ยักษ์ใหญ่ เช่น Synopsys และ Cadence จะต้องเร่งนำเอาอัลกอริทึมที่ขับเคลื่อนด้วย AI เข้ามาเป็นส่วนประกอบหลักในเครื่องมือหลักของตน เพื่อให้สามารถรับมือกับกฎเกณฑ์การออกแบบ (Design Rules) ที่ซับซ้อนขึ้นเรื่อยๆ การใช้โมเดล History-Aware Offline RL ที่อาศัย LSTM ในการจดจำบริบทการวางสายในอดีต จะกลายเป็นมาตรฐานใหม่ในการแก้ปัญหาที่ซับซ้อนเกินกว่ามนุษย์หรืออัลกอริทึมแบบเดิมจะจัดการได้ ส่งผลให้การออกแบบชิปประสิทธิภาพสูงสำหรับ AI, Data Center และประมวลผลกราฟิกมีความรวดเร็วและแม่นยำยิ่งขึ้นในระดับสเกลที่ใหญ่กว่าเดิม นี่คือจุดเปลี่ยนสำคัญที่เทคโนโลยี AI จะเข้ามาปฏิวัติอุตสาหกรรมการออกแบบฮาร์ดแวร์อย่างเต็มรูปแบบ