Автор: Денис Аветисян
Новая платформа, основанная на больших языковых моделях, значительно ускоряет и упрощает процесс разработки и оптимизации транзисторов будущего.
Представлен AgenticTCAD — многоагентный фреймворк для автоматической генерации TCAD-кода и оптимизации устройств, достигший характеристик IRDS-2024 для 2-нм нанолист-транзистора за 4,2 часа.
Несмотря на растущую потребность в оптимизации разработки микроэлектронных устройств, автоматизация проектирования в области TCAD-симуляций затруднена из-за ограниченности открытых данных. В данной работе, ‘AgenticTCAD: A LLM-based Multi-Agent Framework for Automated TCAD Code Generation and Device Optimization’, предложена платформа AgenticTCAD — многоагентная система, использующая большие языковые модели и открытый набор данных для автоматизированного проектирования и оптимизации полупроводниковых приборов. Эксперименты с 2-нм наноструктурным полевым транзистором показали, что AgenticTCAD достигает спецификаций IRDS-2024 за 4.2 часа, в то время как экспертам потребовалось 7.1 дня с использованием коммерческих инструментов. Каковы перспективы дальнейшего развития подобных систем для ускорения инноваций в микроэлектронике?
Уплотнение Транзисторов и Вычислительная Сложность
Повышение плотности транзисторов, на примере архитектуры NS-FET, требует всё более сложных вычислений для моделирования работы устройств. Современные транзисторы отличаются нанометровыми размерами, что делает традиционные упрощения в процессе моделирования неприменимыми. Для точного прогнозирования электрических характеристик и надежности таких устройств необходимо учитывать квантовые эффекты, влияние флуктуаций в материалах и сложные взаимодействия между различными частями чипа. Это приводит к экспоненциальному росту вычислительной нагрузки и требует использования передовых алгоритмов и мощнейших суперкомпьютеров для проведения даже единичных симуляций, необходимых для оптимизации конструкции и обеспечения соответствия требованиям производительности и энергоэффективности.
Традиционные методологии проектирования всё больше испытывают трудности при адаптации к сложным оптимизациям, необходимым для соответствия требованиям IRDS-2024. Процесс проектирования, ранее основанный на эмпирических правилах и ручной настройке параметров, оказался неэффективным в контексте экспоненциально растущей сложности современных транзисторов. Необходимость учета множества взаимосвязанных факторов, таких как квантовые эффекты, вариации технологического процесса и ограничения по энергопотреблению, требует принципиально новых подходов к автоматизации и оптимизации. В результате, существующие инструменты и методы проектирования не позволяют в полной мере реализовать потенциал новых материалов и архитектур, что создает серьезные препятствия на пути к дальнейшему масштабированию и повышению производительности электронных устройств. Разработка инновационных алгоритмов оптимизации и методов моделирования становится критически важной задачей для преодоления этих ограничений и обеспечения прогресса в микроэлектронике.
Ручная настройка параметров при проектировании транзисторов нового поколения становится практически невозможной задачей, создавая серьёзное препятствие для дальнейшего развития микроэлектроники. Сложность современных устройств, таких как NS-FET, и требования к их производительности, установленные дорожной картой IRDS-2024, привели к экспоненциальному росту числа параметров, влияющих на конечные характеристики. Вмешательство человека в этот процесс становится неэффективным из-за огромного объёма данных и взаимосвязей между параметрами, что значительно замедляет цикл разработки и ограничивает возможности оптимизации. Необходимость автоматизированных методов проектирования и оптимизации, использующих алгоритмы машинного обучения и продвинутые вычислительные мощности, становится критически важной для преодоления этого узкого места и обеспечения дальнейшего прогресса в области микроэлектроники.
AgenticTCAD: Интеллектуальный Фреймворк для Автоматизированного Проектирования
AgenticTCAD использует возможности больших языковых моделей (LLM) для автоматизации проектирования и оптимизации полупроводниковых приборов посредством технологических симуляций (TCAD). В основе подхода лежит применение LLM для управления процессом симуляций, включая установку параметров, анализ результатов и итеративное улучшение конструкции. Это позволяет автоматизировать рутинные задачи, ранее выполнявшиеся инженерами-разработчиками, и значительно ускорить процесс создания новых устройств, обеспечивая более высокую производительность и эффективность проектирования. Использование LLM позволяет системе понимать и интерпретировать сложные требования к устройству и автоматически адаптировать параметры симуляции для достижения заданных целей.
В основе AgenticTCAD лежит способность интерпретировать запросы, сформулированные на естественном языке, и преобразовывать их в конкретные параметры, необходимые для проведения моделирования в TCAD. Этот процесс включает в себя анализ текстового описания целевых характеристик устройства — таких как требуемое напряжение, скорость переключения или энергопотребление — и автоматическое определение соответствующих значений параметров моделирования, включая геометрию устройства, характеристики материалов и условия симуляции. В результате, вместо ручного задания каждого параметра, пользователь может просто описать желаемый результат, а система автоматически настроит моделирование для достижения этой цели, значительно упрощая и ускоряя процесс проектирования.
Использование подхода с обратной связью (closed-loop optimization) в AgenticTCAD позволило значительно сократить цикл разработки. В ходе тестирования, оптимизация параметров для соответствия спецификациям IRDS-2024 для 2нм NS-FET транзистора была достигнута за 4.2 часа. Данный результат демонстрирует существенное ускорение по сравнению с традиционным подходом, требующим 7.1 дней работы экспертов для достижения аналогичных параметров, что подтверждает эффективность автоматизированного процесса оптимизации, основанного на использовании больших языковых моделей.
Моделирование в TCAD: От Структуры к Электрическим Характеристикам
Процесс моделирования в TCAD начинается с определения геометрии устройства в редакторе Sentaurus Structure Editor (SDE). На этом этапе создается дискретная сетка, представляющая собой конечно-элементное разбиение области моделирования. Данная сетка необходима для численного решения уравнений, описывающих поведение полупроводникового прибора. Размер и плотность элементов сетки напрямую влияют на точность и вычислительную сложность моделирования; более мелкая сетка обеспечивает более высокую точность, но требует больших вычислительных ресурсов.
Программа Sentaurus Device (SDevice) используется для численного решения системы уравнений, описывающих поведение полупроводников. Этот процесс включает решение уравнений Пуассона, переноса носителей заряда и непрерывности, что позволяет точно предсказать электрические характеристики спроектированного устройства. Результаты моделирования включают такие параметры, как плотность носителей, электрический потенциал и распределение тока, что дает возможность оценить ключевые показатели работы устройства, такие как пробивное напряжение, емкость и быстродействие. I = \in t J \cdot dA — интеграл плотности тока по площади, является одним из ключевых параметров, рассчитываемых SDevice.
Оптимизированные в AgenticTCAD конструкции демонстрируют ток включенного состояния (I_{on}) в 2.31 x 10-3 А/мкм, что на 2.94 раза превышает установленное требование. При этом, ток выключенного состояния (I_{off}) соответствует спецификациям IRDS-2024, а крутизна подпороговой характеристики (SSS) составляет 60.38 мВ/дек, что также превосходит установленное требование в 72 мВ/дек.
Обучение LLM и Улучшение Фреймворка
Обучение языковой модели с учителем, использующее открытый набор данных TCAD, является ключевым для генерации корректных скриптов технологического моделирования. Этот процесс предполагает предоставление модели размеченных данных, состоящих из входных параметров и соответствующих скриптов TCAD, что позволяет ей изучить взаимосвязь между ними. Качество и объем используемого набора данных TCAD напрямую влияют на точность генерируемых скриптов и способность модели адаптироваться к различным требованиям к моделированию. Использование открытого набора данных способствует воспроизводимости результатов и позволяет сообществу разработчиков вносить свой вклад в улучшение модели.
В качестве базовой модели для AgenticTCAD используется Qwen2.5-14B-Instruct, демонстрирующая высокую производительность при решении задач генерации и анализа технологических процессов. Для повышения эффективности и расширения функциональности фреймворка применяются коммерческие модели, такие как DeepSeek V3.1, которые обеспечивают улучшенную точность и скорость генерации TCAD-скриптов, а также поддержку более широкого спектра технологических узлов и типов устройств. Комбинация открытых и коммерческих моделей позволяет оптимизировать производительность и стоимость развертывания AgenticTCAD в различных сценариях применения.
Использование данных в процессе обучения позволяет языковой модели (LLM) самостоятельно исследовать пространство параметров проектирования, варьируя различные конфигурации устройства. Этот подход основан на анализе обширного набора данных, полученных в результате симуляций и экспериментов, что позволяет LLM выявлять закономерности и зависимости между параметрами и характеристиками устройства. Автономное исследование позволяет модели предлагать оптимальные конфигурации, которые могут улучшить производительность, энергоэффективность или другие целевые показатели, без необходимости ручного перебора и оптимизации параметров инженером-конструктором. Эффективность такого подхода зависит от объема и качества обучающих данных, а также от архитектуры и параметров самой языковой модели.
Представленная работа демонстрирует стремление к автоматизации сложного процесса проектирования и оптимизации полупроводниковых устройств. Авторы, используя многоагентный подход и возможности больших языковых моделей, создали систему AgenticTCAD, способную достигать характеристик, соответствующих требованиям IRDS-2024 для 2нм нанолисты FET за впечатляюще короткий срок. Этот результат подчеркивает важность математической чистоты и доказуемости алгоритмов, ведь именно они позволяют масштабировать систему и обеспечивать её устойчивость. Как однажды заметил Кен Томпсон: «В программировании, как и в математике, красота проявляется в простоте и элегантности решения». В данном случае, элегантность заключается в способности AgenticTCAD эффективно решать задачу, ранее требовавшую значительных усилий экспертов, что указывает на перспективность подхода к автоматизации проектирования.
Куда Далее?
Представленная работа демонстрирует, что автоматизация проектирования полупроводниковых приборов с использованием больших языковых моделей (LLM) — не просто техническая возможность, а, судя по достигнутым результатам, и экономическая необходимость. Однако, если полученные решения кажутся чудом, следует помнить: это не магия, а лишь следствие недостаточного понимания лежащих в основе инвариантов. Очевидно, что настоящий вызов заключается не в скорости генерации кода, а в формальной верификации его корректности. Достаточно ли открытого набора данных для обеспечения надёжности оптимизированных устройств в различных условиях эксплуатации? Этот вопрос пока остаётся открытым.
Будущие исследования должны быть направлены на разработку методов формальной верификации LLM-генерируемого кода TCAD. Необходима разработка метрик, позволяющих оценивать не только производительность, но и устойчивость разработанных устройств к вариациям технологического процесса. Попытки «заменить» инженера-проектировщика алгоритмом, не учитывающим тонкости физических процессов, обречены на провал. Вместо этого, следует стремиться к созданию интеллектуальных инструментов, расширяющих возможности эксперта, а не заменяющих его.
Перспективы применения AgenticTCAD выходят за рамки оптимизации отдельных приборов. Создание системы, способной к автоматическому проектированию и оптимизации целых микросхем, — задача, требующая значительных усилий. Однако, если удастся преодолеть текущие ограничения и обеспечить надёжность и верифицируемость LLM-генерируемого кода, то перспективы автоматизации проектирования полупроводников представляются весьма обнадеживающими.
Оригинал статьи: https://arxiv.org/pdf/2512.23742.pdf
Связаться с автором: https://www.linkedin.com/in/avetisyan/
Смотрите также:
- Восполняя пробелы в знаниях: Как языковые модели учатся делать выводы
- Квантовый Монте-Карло: Моделирование рождения электрон-позитронных пар
- Эмоциональный отпечаток: Как мы научили ИИ читать душу (и почему рейтинги вам врут)
- Квантовый скачок из Андхра-Прадеш: что это значит?
- Скрытая сложность: Необратимые преобразования в квантовых схемах
- Виртуальная примерка без границ: EVTAR учится у образов
- Насколько важна полнота при оценке поиска?
- Переключение намагниченности в квантовых антиферромагнетиках: новые горизонты для терагерцовой спинтроники
- Геометрия на пределе: как алгоритмы оптимизации превосходят языковые модели
- Оптимизация партийных запросов: Метод имитации отжига против градиентных подходов
2026-01-05 01:34