Durante décadas, el diseño de semiconductores ha avanzado gracias a humanos con ideas brillantes que desbloquean nuevas innovaciones. Pero los beneficios de un mejor diseño de chips ya se cosecharon, incluyendo el ascenso de la IA, lo que ahora significa que podría haber otro participante volviendo más inteligente el diseño de chips: la propia IA.

"Chip designer" no figura entre los roles en la cuerda floja por la automatización con IA. Pero en los rincones acotados del design flow donde los problemas están estructurados y los evaluadores son robustos, ya empezó a adoptarse, con beneficios.

¿Qué resultados concretos hay ya en producción?

El sistema de reinforcement learning AlphaChip de Google DeepMind ha producido diseños para tres generaciones de Tensor Processing Units (TPUs), con DeepMind asegurando layouts "superhumanos" comparados con los que producen diseñadores humanos. No están solos: Synopsys ya pasó 100 tape-outs en producción con su herramienta DSO.ai de optimización de design space, reportando aumentos de productividad de más de 3× y reducciones de potencia de hasta 25% para clientes que incluyen a STMicroelectronics y SK hynix.

"Como toda nueva tecnología, la IA puede tener múltiples usos", dijo Borivoje Nikolić, profesor de ingeniería eléctrica y ciencias de la computación en la Universidad de California, Berkeley, en entrevista con Tom's Hardware Premium. Nikolić trazó un paralelo con la Ley de Moore, históricamente explotada de dos maneras: para reducir el costo de un producto existente al portarlo a procesos más baratos, o para sumar funcionalidades antes imposibles.

"Creo que la IA se usará de ambas formas. Por el momento, la industria parece estar enfocada en la primera: cómo abaratar las cosas, cómo automatizarlas mejor de lo que se hacía antes", agrega.

En contraste, la academia está más interesada en usar la IA para descubrir cosas que los humanos no han pensado aún, un enfoque que se parece a los avances en descubrimiento de fármacos y protein folding con sistemas como AlphaFold.

¿Qué descubrió ArchAgent en cache replacement?

Nikolić y su colega Sagar Karandikar han estado explorando ese territorio en su propia investigación sobre políticas de reemplazo de caché, un tema profundo de la microarquitectura de procesadores. Su sistema ArchAgent, construido sobre el framework AlphaEvolve de Google DeepMind, generó una política de reemplazo de caché en dos días que superó al estado del arte previo en 5,3% de speedup en IPC sobre los traces multi-core de Google. En los benchmarks single-core SPEC06, muy explorados, tardó 18 días en arañar otro 0,9%.

Eso es una "primera señal de vida" para Karandikar de que los modelos grandes pueden diseñar lógica genuinamente nueva, en vez de solo ajustar parámetros existentes.

"Todavía hay mucha guía humana, y de alguna manera eleva el tipo de pensamiento que los humanos tienen que hacer. Los humanos involucrados en ese proyecto hacen más del pensamiento de alto nivel: ideas nuevas y guía al LLM, mientras que el LLM hace mucho del desarrollo fino de la política", dijo Karandikar, investigador de arquitectura de computadores en Berkeley.

¿Dónde está la IA agregando valor concreto?

Para Igor Markov, investigador en diseño de chips con años en la primera línea del electronic design automation (EDA), los lugares donde la IA agrega valor real son específicos y muchas veces poco glamorosos. Algunas de las mayores ganancias, dice, vienen en la parte baja del flow: tareas que antes exigían a ingenieros interpretar especificaciones informales escritas en lenguaje natural y convertirlas en descripciones formales sobre las que una herramienta pueda actuar.

Toma las redes de power and ground, las intrincadas mallas metálicas que distribuyen electricidad por todo el chip.

"A veces se diseñan apenas con descripciones en lenguaje natural. La gente explica la geometría y luego se implementa, y en algún momento hay que formalizarlo. Ese paso se hacía manual y es bastante sencillo de automatizar usando IA", explicó Markov. El dividendo de productividad no es enorme: "tomaba un par de días, ahora son un par de horas". Pero es mejor que nada, aunque el output igual deba verificarse.

Donde Markov es más optimista es en lo que llama el agentic space: la orquestación de alto nivel de los flows de diseño, incluyendo decidir si una corrida está condenada o si un flow completo debe reiniciarse. "Si tomas un cero multiplicado por algo, obtienes cero. Pero si ya tienes algo decente, ese control de alto nivel puede ser muy, muy habilitador".

Los rincones más obstinados de la industria también están empezando a pensar en adoptar IA. El diseño analógico, visto durante mucho tiempo como el último reducto del oficio humano, ya tiene sistemas generativos como AnalogGenie, que usa un modelo estilo GPT para descubrir nuevas topologías de circuitos, y un sistema de descubrimiento de design space de Princeton para amplificadores de potencia milimétricos y sub-terahertz operando entre 30 y 120 GHz.

¿Por qué la falta de "intuición" en la IA puede jugar a favor?

En estas áreas, lo que suele verse como una falla de la IA (que no tiene conocimiento previo ni memoria muscular propia) se convierte en fortaleza. Los humanos tienden, al portar un diseño de un nodo de proceso a otro, a asumir que la topología vieja debe estar cerca de lo óptimo para el nuevo. "La IA puede no tener esos sesgos", dijo Nikolić.

¿Qué riesgos prácticos quedan?

Hace falta cautela. La IA puede entrenarse para sobresalir en demos pero fallar en los problemas más sucios que los ingenieros enfrentan en la práctica. "Si algo que funciona en cinco casos funciona en general, y permite innovar, esa es la clave", dice Markov.

También está el problema de qué le pedís hacer a la IA en primer lugar. Pedile a un modelo que diseñe el mejor chip para IA y, sin una especificación formal e inequívoca de qué significa mejor, el modelo producirá algo, o cualquier cosa. "Vas a jugar whack-a-mole", dijo Markov cuando se trata de hacer que funcione en la práctica.

Markov añade que cada salto previo en automatización de diseño provocó debates similares sobre si las máquinas pueden realmente pensar. Los algoritmos de camino más corto para ruteo de cables, vistos alguna vez como capacidad distintivamente humana, son hoy materia de pregrado. Los algoritmos de placement rutinariamente superan a diseñadores humanos. La logic synthesis, considerada demasiado abstracta para automatizar, se maneja con loops y condicionales. "EDA siempre ha sido un tipo de IA, porque automatizó lo que la gente hacía", dijo Markov.

¿Qué viene a continuación?

Por ahora, la IA actúa como multiplicador de fuerza, según Markov, sacando más output de los equipos en lugar de achicarlos. Quiénes integran esos equipos también está cambiando: los ingenieros fluidos con asistentes de codificación por IA son requeridos donde hace seis meses no lo eran.

La paradoja de Jevons también se asoma sobre el potencial de la IA en el proceso de diseño de chips. A medida que la IA abarata y acelera ciertas partes del proceso, Nikolić espera que los ingenieros usen esa capacidad liberada para explorar territorios que de otra manera no se hubieran atrevido a abordar, incluyendo el diseño de los propios chips de IA que impulsan todo el ciclo.

Después de todo, si alguna clase de silicio está madura para el tipo de optimización que aún no ha sido estudiada sistemáticamente, argumenta Markov, son los aceleradores altamente estructurados y críticos para el rendimiento que impulsan el boom actual.

Por Chris Stokel-Walker para Tom's Hardware.