ככל שה-AI חודר עמוק יותר לתהליכי העבודה בתעשיית המוליכים למחצה, האמון הופך לאחד החסמים האחרונים בדרך לאימוץ נרחב של הטכנולוגיה בתעשייה. בתהליך שבין תכנון שבבים ל-Signoff, מערכות ה-AI בעלות הערך הרב ביותר לא יהיו בהכרח האוטונומיות ביותר, אלא אלה שיהיו השקופות, הניתנות לניהול והאמינות ביותר. באמצעות שילוב בין מנועים דטרמיניסטיים לבין AI שניתן להסביר את פעולתו (Explainable AI), התעשייה יכולה להאיץ את תהליכי ה-Signoff, לשפר את תוצאות הייצור ולהעניק לצוותי ההנדסה ביטחון רב יותר בכל החלטה – משלב התכנון ועד הייצור.
מקור: Siemens Digital Industries Software
במהלך הקריירה שלי צפיתי בתעשיית המוליכים למחצה מתפתחת תוך התמודדות עם אתגרים יוצאי דופן. מגיאומטריות בקנה מידה ננומטרי ועד לליתוגרפיה באולטרה-סגול קיצוני (EUV), כל שינוי דרש גישות חדשות לתכנון ולייצור. אולם בינה מלאכותית מייצגת משהו שונה באופן מהותי: לא עוד צומת תהליך או יכולת נוספת של כלי תכנון, אלא שינוי בדרך שבה אנו חושבים על עצם תהליך יצירת השבבים.
מה שמלהיב אותי יותר מכל אינו תכנון שבבים עבור יישומי בינה מלאכותית (AI), אלא הבאת העוצמה של AI אל תהליך התכנון והייצור של השבבים עצמם. בהתבסס על מה שראיתי עד כה, אני אופטימי לגבי ההבטחה לחדשנות גדולה יותר בתחום המוליכים למחצה באמצעות AI אמין.
תעשיית המוליכים למחצה ניצבת כיום בפני שאלה קריטית. השאלה אינה האם לאמץ בינה מלאכותית, אלא כיצד להטמיע אותה מבלי לפגוע באמינות שמבטיחה שהשבבים ימשיכו לפעול בשטח. כאשר צוותי תכנון מתמודדים עם מיליארדי הפרות בתהליכי האימות ועם חלונות ייצור הנמדדים בננומטרים, הלחץ לבצע אוטומציה הוא עצום. אולם בתעשייה שבה פגם יחיד שלא זוהה עלול לעלות מיליוני דולרים בסבבי תכנון מחדש (Respins) או בכשלים בשטח, מהירות ללא ודאות היא פשרה מסוכנת.
הפתרון טמון במערכות AI אמינות וחסונות לתכנון ולייצור שבבים, המספקות שיפורים ממשיים ולא רק אוטומציה לשם האוטומציה. התעשייה זקוקה ל-AI שמהנדסים יכולים לפרש, לבקר ולתת בו אמון.
פער האמון באוטומציה של "קופסה שחורה"
השימוש בתוכנות אוטומציה לתכנון אלקטרוני (EDA) מבוססות AI אינו יכול להתייחס לבינה המלאכותית כאל "קופסה שחורה" – להזין נתוני תכנון, לקבל תוצאות שעברו אופטימיזציה ולסמוך על האלגוריתם. עבור צוותי הנדסה האחראים על שבבים שמפעילים כל דבר – מסמארטפונים ועד כלי רכב אוטונומיים – חוסר השקיפות הזה יוצר סיכון שאינו מתקבל על הדעת.
ניקח לדוגמה תהליך טיפוסי של אימות פיזי (Physical Verification). צוותי תכנון נתקלים באופן שגרתי במיליוני הפרות בפריסות מורכבות. מיון ידני שלהן אינו מעשי, אך קבלה עיוורת של תוצאות AI היא מתכון לאסון. צוותי הנדסה מפיקים תועלת כאשר הם יכולים להשתמש ב-AI כדי לזהות אותות בעלי משמעות סטטיסטית בתוך נתוני תוצאות האימות.
כאן הופכת יכולת הפרשנות לדרישה עסקית חיונית. מנהלי CAD הבוחנים כלי אימות מבוססי AI צריכים לשאול: האם המערכת יכולה לזהות דפוסי בעיות הקשורים זה לזה מבחינה סטטיסטית בתוך מכלול ההפרות? האם היא יכולה לספק מדדי ביטחון שיסייעו לתעדף את תהליך איתור ותיקון התקלות (Debug)? האם מהנדסים יכולים לשנות או לעקוף "אותות" שקובצו על ידי ה-AI כאשר הידע המקצועי שלהם מצביע על גישה אחרת?
פלטפורמות AI אפקטיביות חייבות גם לספק ממשל נתונים ברור והגנה חזקה על קניין רוחני. המתכננים זקוקים לשליטה מלאה על האופן והמקום שבהם נעשה שימוש ב-AI – ללא הפתעות וללא אוטומציה שאופן פעולתה אינו שקוף.
דיוק דטרמיניסטי פוגש אוטומציה חכמה
הגישה האפקטיבית ביותר משלבת את הדיוק של מנועי EDA דטרמיניסטיים מוכחים עם היכולות של AI מודרני. ארכיטקטורה זו משמרת את האמינות שעליה מסתמכים יצרני השבבים וצוותי התכנון, ובמקביל מוסיפה יכולות חכמות במקומות שבהם הן מספקות ערך מדיד.
Signoff פיזי וחשמלי דורש מנועים דטרמיניסטיים שתוכננו לספק דיוק, עקביות ועמידה בדרישות התהליך. סביב בסיס זה ניתן לשלב AI באופן מושכל, כדי להאיץ תהליכי עבודה מבלי לפגוע בוודאות (איור 1). צוותי תכנון מדווחים על צמצום זמני ה-Debug מימים לשעות – לא משום שה-AI מקבל החלטות באופן אוטונומי, אלא משום שהוא מציף את המידע הנכון בזמן הנכון.
מודל שפה גדול (LLM) עצמאי עשוי להבין באופן תיאורטי מושגים מתחום המוליכים למחצה, אך אין ברשותו הידע העמוק על תכנון מסוים, צומת טכנולוגי מסוים או מערך כללי הייצור (Foundry Rule Deck) של יצרן מסוים. כאשר ה-AI משולב בתוך פתרונות אימות אמינים, הוא מקבל גישה לידע ארגוני ספציפי, להקשר של התכנון ולנתונים דטרמיניסטיים. כך הוא יכול לספק הנחיות המבוססות על המציאות הפיזית של השבב ועל הניסיון המצטבר של הארגון, ולאפשר למהנדסים לתשאל את האותות באמצעות שפה טבעית כדי להאיץ את ניתוח שורש הבעיה.
איור 1. AI אמין בתכנון מוליכים למחצה תלוי בארכיטקטורה שקופה, בממשל נתונים ובשליטה של המהנדס בתוך התהליך.
אמון נוצר כאשר מהנדסים יכולים לשמור על שליטה מלאה ועל נראות מלאה של התהליך, תוך הסתייעות באוטומציה חכמה המסבירה את ההיגיון שמאחורי פעולותיה. שיתוף הפעולה הופך קל יותר כאשר הכלים מאפשרים לצוותים לשתף את ההקשר של תהליך ה-Debug, להקצות בעיות ולתאם ביניהם את דרכי הפתרון. כך נשמר הידע הארגוני והצוותים יכולים להמשיך להתקדם ביעילות גם כאשר המורכבות גדלה.
AI צריך להעצים את המהנדסים, ולעולם לא להחליף את שיקול דעתם או להפוך תהליכים קריטיים לקשים להבנה. השילוב בין מנועים דטרמיניסטיים לבין AI מעשי וניתן להסבר מאפשר להשיג גם מהירות וגם ודאות בתהליך ה-Signoff.
ייצור והצורך בשקיפות
המשמעות הופכת קריטית אף יותר כאשר מכינים שבבים לייצור, שלב שבו אופטימיזציה של תפוקת הייצור (Yield) משפיעה ישירות על כלכלת הייצור. כאן ה-AI חייב להיות מהיר, אך גם כזה שניתן להצדיק את תוצאותיו בפני שותפי הייצור ושניתן לבצע עליו ביקורת כאשר מתעוררות בעיות.
אלגוריתמים של למידת מכונה יכולים להשיג שיפור של פי 10 עד פי 100 בזמני הריצה של סימולציות ליתוגרפיות, תוך שמירה על רמת הדיוק הנדרשת בצומתי תהליך מתקדמים (איור 2). היתרון הוא המהירות, אך כלים אלה חייבים לספק גם את השקיפות הדרושה למהנדס כדי לפעול.
איור 2. AI יכול להאיץ באופן דרמטי סימולציות ליתוגרפיות, אך הטמעתו בסביבת ייצור עדיין תלויה בשקיפות, ביכולת ביקורת ובביטחון בתוצאות.
משמעות הדבר היא שיש להעריך כלי AI לא רק על סמך ביצועיהם, אלא גם על סמך שקיפות ההקשר שהם מספקים. האם המערכת יכולה לכמת באיזו מידה הפרה מסוימת משתייכת לאות ספציפי? האם מהנדסים יכולים להתחקות אחר הדפוסים האלה בחזרה אל הפריסה הפיזית ואל ההקשר של תהליך האימות? יכולות אלה הופכות את ה-AI מכלי לשיפור הפרודוקטיביות לנכס אסטרטגי לניהול סיכוני ייצור ולהאצת ה-Ramp של הייצור.
ממשל לצורך הטמעה בייצור
הטמעת תוכנות לתכנון שבבים מבוססות AI לאורך התהליך כולו – מהתכנון ועד לייצור – מחייבת ממשל נתונים חזק, הגנה על קניין רוחני ותהליכי עבודה שבהם המהנדס נשאר חלק ממעגל קבלת ההחלטות (Engineer-in-the-Loop). פלטפורמות AI אפקטיביות נותנות מענה לדרישות אלה באמצעות ארכיטקטורות שתוכננו במיוחד עבור תהליכי העבודה בתעשיית המוליכים למחצה.
עקרונות מרכזיים כוללים ריבונות נתונים (Data Sovereignty), שבמסגרתה הלקוחות שומרים על שליטה מלאה בנתונים הארגוניים שלהם ובמועד שבו נעשה שימוש במודלי AI. שקיפות מובנית (Transparency by Design) פירושה שמערכות AI מספקות את ההקשר להמלצות שלהן, ומאפשרות למהנדסים לבקר את ההחלטות ולשנות אותן כאשר הידע המקצועי מצביע על גישה אחרת.
עבור ארגונים בתעשיות מפוקחות – רכב, תעופה ומכשור רפואי – ארכיטקטורת ממשל זו היא התשתית המאפשרת להטמיע AI תוך עמידה בדרישות רגולטוריות של עקיבות (Traceability) ויכולת ביקורת (Auditability).
ההצדקה העסקית ל-AI אמין
הערך האסטרטגי של AI שקוף וניתן לניהול חורג מעבר לביצועים של כלי בודד ונוגע ליכולות הארגון כולו. כאשר צוותי הנדסה יכולים לתת אמון בדפוסים שה-AI מציף, הם מקבלים החלטות מהר יותר ובביטחון רב יותר. כאשר מערכות AI פועלות בתוך הקשר ברור, הן משמרות את הידע הארגוני במקום ליצור תלות במערכות שאופן פעולתן אינו שקוף.
צוותי תכנון יכולים לקצר מחזורי אימות משבועות לימים כאשר AI מסייע להם לנווט ביעילות בין מיליארדי הפרות – אך רק כאשר הם נותנים אמון בתוצאות. AI שקוף, המקשר בין החלטות תכנון לבין תוצאות הייצור, מסייע לצוותים לזהות דפוסים המגבילים את תפוקת הייצור עוד לפני ה-Tapeout, ובכך לצמצם תיקונים יקרים של מסכות ועיכובים בייצור.
היתרונות הללו מצטברים לאורך זמן. ארגונים המטמיעים AI אמין בונים ביטחון באמצעות תוצאות מוצלחות, וכך מתאפשרים אימוץ רחב יותר והשפעה גדולה יותר.
הדרך קדימה
תעשיית המוליכים למחצה נמצאת בנקודת מפנה. יכולות ה-AI מתקדמות במהירות, אך המגבלה האמיתית אינה התחכום האלגוריתמי – הכלים עצמם מתפתחים בקצב מהיר. הגורם המגביל הוא האמון. יצרני שבבים צריכים לתת אמון בפלטפורמת ה-AI, באבטחת הנתונים ובתוצאות.
בטווח הקרוב, AI יתבגר ככלי ממוקד למשימות בעלות ערך גבוה, כגון ניתוח הספק, חיזוי תרמי וחיזוי תפוקת ייצור. התעשייה מתקדמת לעבר תקנים ממשיים לשקיפות וליכולת ביקורת, והלקוחות ידרשו תוצאות שניתן להצדיק ולהוכיח.
בטווח הרחוק יותר, AI יהפוך למנוע חיזוי עבור מחזור החיים המלא של התכנון. מימוש חזון זה מחייב שכבת בינה מקושרת הפועלת לאורך התהליך כולו, שבה יכולות הסקה כלליות נבדקות ומאומתות באופן רציף באמצעות מנועי אימות דטרמיניסטיים.
ההשפעה העסקית תהיה משמעותית. צוותי תכנון יקצרו לוחות זמנים מחודשים לשבועות, יצמצמו סבבי תכנון מחדש ויקבלו החלטות מבוססות נתונים המאזנות בין ביצועים, הספק ועלות. היצרנים ישיגו שיפור בתפוקת הייצור באמצעות התערבות מוקדמת יותר ולמידה רציפה ברצפת הייצור.
עבור חברות מוליכים למחצה, השאלה האסטרטגית אינה האם לאמץ AI, אלא כיצד להטמיע אותו בדרכים שמעצימות את שיקול הדעת ההנדסי במקום להחליף אותו. התשובה טמונה במערכות המשלבות דיוק דטרמיניסטי עם בינה הניתנת לפרשנות, בתוך מסגרות ממשל המשמרות שליטה ושקיפות. העתיד שייך לצוותים המסוגלים לנוע במהירות ובביטחון.
תעשיית המוליכים למחצה נבנתה מאז ומתמיד על דיוק ואמינות. העתיד שייך לצוותים המסוגלים לנוע במהירות ובביטחון. לשם כך נדרשות מערכות תוכנה לתכנון שבבים מבוססות AI הבנויות על יסודות של אמון.
הכניסו את יכולות ה-AI לתכנון מעגלים משולבים. גלו כיצד Siemens Calibre משלבת אימות אמין עם יכולות מבוססות AI כדי להאיץ את השלמת התכנון, לשפר את הפרודוקטיביות ולהגיע לתכנונים מוכנים למימוש בסיליקון בביטחון רב יותר:
Performance. Innovation. Trust. Built with Calibre
המחבר
Juan C. Rey הוא סגן נשיא בכיר, מנהל כללי ו-CTO של חטיבת Calibre ב-Siemens EDA, שבה הוא מוביל את האסטרטגיה והביצוע של אחת מפלטפורמות ה-Signoff הנפוצות ביותר בתעשיית המוליכים למחצה.
