Autor: Sudarshan Deo, director de I+D de Software, Siemens Digital Industries Software
La creciente complejidad de las cargas de trabajo de la inteligencia artificial (IA), en particular las que utilizan modelos basados en transformadores, está superando las capacidades del escalado tradicional de transistores. Esto ha provocado un cambio fundamental en la filosofía de diseño de los chips: en lugar de adaptar el software al hardware existente, ahora el silicio se diseña específicamente para las cargas de trabajo de la IA. Este paradigma de «diseño de chips centrado en la IA» exige un hardware capaz de gestionar el paralelismo masivo y el movimiento de datos a alta velocidad dentro de unos límites térmicos y energéticos estrictos.
La tecnología de circuitos integrados 3D da respuesta directamente a estas demandas mediante la integración vertical de varios chips, como la memoria de gran ancho de banda (HBM, por sus siglas en inglés) junto con la lógica, utilizando vías a través del silicio (TSV, por sus siglas en inglés). Esta integración vertical aumenta drásticamente el ancho de banda (por ejemplo, las pilas HBM3 y HBM3E proporcionan de 800 GB/s a más de 1 TB/s por pila) y reduce la latencia, lo que la convierte en una tecnología indispensable para aceleradores de IA avanzados y computación de alto rendimiento.
Sin embargo, este avance conlleva importantes retos de diseño, como:
- Gestión energética y térmica:los chips de inteligencia artificial consumen mucha energía. La densidad de apilamiento de los circuitos integrados 3D aumenta los problemas de disipación del calor, lo que exige soluciones de refrigeración sofisticadas y un análisis térmico y energético preciso para evitar el desbordamiento térmico y la degradación del rendimiento.
- Muro de memoria:las cargas de trabajo de IA suelen sufrir cuellos de botella por el movimiento de datos entre el procesador y la memoria. La integración de la HBM implica un complejo apilamiento en 3D y uniones a escala nanométrica, en las que incluso fallos menores en la interconexión pueden poner en riesgo la integridad de todo el chip.
- Complejidad arquitectónica:los chips modernos de IA pueden tener miles de millones de transistores. El diseño de estos complejísimos circuitos integrados 3D con planificación multichiplet, conectividad entre chips y modelado a nivel de sistema supera las capacidades que las herramientas EDA tradicionales pueden gestionar mediante métodos manuales.
- Escalabilidad y diseño modular:la transición hacia arquitecturas basadas en chiplets y el apilamiento de circuitos integrados 2.5D/3D, si bien permiten modularidad y escalabilidad, también complican los escenarios hipotéticos «what if» relacionados con la sincronización de señales y el suministro vertical de energía.
Estos retos subrayan la necesidad de soluciones avanzadas que vayan más allá de los flujos de trabajo de EDA tradicionales, lo que hace que la EDA impulsada por IA no solo sea beneficiosa, sino esencial. Para hacer frente a estos retos, la IA está transformando la EDA mediante la incorporación de técnicas de aprendizaje automático (ML, por sus siglas en inglés) y aprendizaje por refuerzo (RL, por sus siglas en inglés) directamente en las herramientas de diseño. Esto permite automatizar y optimizar todo el flujo de diseño, abordando la inmensa complejidad que los ingenieros humanos ya no pueden gestionar solos. Veamos algunas tendencias clave en las que los circuitos integrados 3D se entrelazan con la IA.
Exploración inteligente del espacio de diseño (DSE, por sus siglas en inglés)
Las arquitecturas de circuitos integrados 3D son exponencialmente complejas y obligan a los diseñadores a equilibrar miles o millones de variables interdependientes (partición del chip, pilas de materiales, planificación de planta, topología de interconexión y suministro de energía), al tiempo que optimizan la potencia, el rendimiento y el área (PPA, por sus siglas en inglés), la fiabilidad y el coste. La iteración manual es lenta y propensa a resultados subóptimos.
La IA, a través del aprendizaje automático (ML), el aprendizaje de refuerzo (RL) y el modelado de sustitutos, acelera exponencialmente la DSE. Permite a los equipos predecir los resultados con mayor rapidez. Los modelos de IA pueden evaluar rápidamente el impacto de las decisiones de diseño.
La IA puede aprender de iteraciones anteriores. Los conocimientos adquiridos de diseños anteriores pueden aplicarse a nuevos proyectos, lo que reduce el tiempo de puesta en marcha de arquitecturas de nueva generación.
Puede utilizarse para descubrir arquitecturas poco convencionales. La IA puede identificar planes arquitectónicos óptimos que los métodos tradicionales podrían pasar por alto, aportando mejoras cuantificables bajo múltiples restricciones.
La IA es especialmente útil cuando puede complementar y potenciar la experiencia humana. Los copilotos y los sistemas agénticos impulsados por IA permiten a un solo ingeniero de diseño gestionar varios bloques complejos al mismo tiempo, lo que aumenta considerablemente la productividad.
Figura 1. bucle de DSE impulsado por IA agéntica/LLM y asistido por modelos predictivos o sustitutos aplicado a los flujos de trabajo eléctricos, térmicos y de estrés mecánico de los circuitos integrados 3D. (Fuente: Siemens Digital Industries Software)
La DSE impulsada por IA puede ponerse en práctica en programas de circuitos integrados 3D reales combinando una capa de IA/LLM con optimización asistida por modelos predictivos o sustitutos y cerrando el bucle a través de la implementación más tres flujos de validación final para análisis eléctricos, térmicos y de estrés mecánico.
La figura 1 muestra un flujo de trabajo DSE de bucle cerrado en el que una capa de IA/LLM autónoma interpreta las cuestiones de optimización y las restricciones de los KPI y, a continuación, organiza la implementación y la integración. El flujo se conecta a tres flujos de validación final multifísica: el análisis eléctrico, que genera artefactos como parámetros S y diagramas de ojo; el análisis térmico, que genera mapas de temperatura e información sobre puntos calientes; y el análisis de estrés mecánico, que genera resultados relevantes para la fiabilidad. La retroalimentación sobre la aplicación y la puntuación de los KPI impulsan el perfeccionamiento iterativo hacia una solución óptima.
En la Figura 1, la IA agéntica puede situarse «por encima» de los motores de implementación y multifísica para hacer que la DSE sea viables a escala de circuitos integrados 3D. La capa de IA estructura la cuestión de la optimización en KPI y restricciones eléctricas explícitas (comprobaciones de apto/no apto, puntuación ponderada, indicadores de restricciones), selecciona experimentos, activa ejecuciones de herramientas y utiliza modelos sustitutos/predictivos para reducir el número de costosas iteraciones de alta fidelidad. Lo más importante es que el mismo bucle de DSE puede abarcar tres flujos de trabajo acoplados —eléctrico, térmico y de estrés mecánico—-, de modo que las mejoras en un ámbito no provoquen inadvertidamente fallos en otro.
A escala de circuitos integrados 3D, el factor limitante no suele ser el concepto de optimización, sino la capacidad de orquestar de forma segura muchas herramientas, ejecuciones y artefactos heterogéneos en distintos entornos de computación. Aquí es donde encaja una infraestructura de herramientas basada en MCP.
Figura 2. Arquitectura de referencia de una infraestructura de herramientas MCP para flujos de trabajo de diseño agéntico de circuitos integrados 3D (Fuente: Siemens Digital Industries Software)
La figura 2 ilustra una «infraestrutura de herramientas» basada en un servidor MCP (protocolo de contexto de modelo) que se sitúa entre un optimizador agéntico y el conjunto heterogéneo de ejecutables utilizados en los programas de circuitos integrados 3D. En lugar de integraciones punto a punto, cada capacidad se expone como un servidor MCP con entradas/salidas bien definidas y registradas para su descubrimiento. Un host/puente MCP media en la ejecución segura de herramientas, la configuración del entorno, el movimiento de datos y el enrutamiento a máquinas locales o programadores de computación de alto rendimiento (HPC), al tiempo que captura registros, versiones, parámetros y artefactos producidos. Esta arquitectura permite una experimentación escalable con varias herramientas y la optimización en bucle cerrado al normalizar los resultados en repositorios de KPI/evidencias y al hacer que cada ejecución sea trazable y repetible entre equipos, centros y cadenas de herramientas.
Escalado automatizado dependiente de la potencia y la temperatura
En los circuitos integrados 3D, la potencia y la temperatura están estrechamente relacionadas, lo que crea un bucle de retroalimentación no lineal: la temperatura modifica las fugas y la potencia, lo que a su vez modifica la temperatura. Para converger con rapidez y precisión, los equipos necesitan una forma escalable de generar entradas de potencia dependientes de la temperatura para el análisis térmico sin tener que volver a ejecutar repetidamente la caracterización completa en cada condición extrema (corner).
Figura 3. modelado de potencia dependiente de la temperatura impulsado por IA para la exploración del espacio de diseño. (Fuente: Siemens Digital Industries Software)
El flujo de escalado dependiente de la temperatura (Figura 3) permite capturar la potencia de referencia en un simple corner, crear bibliotecas escaladas en función de la temperatura, mapear fugas en función de la temperatura a nivel de celda, normalizar y generar entradas de potencia multitemperatura y cerrar el bucle con un análisis térmico en 3D.
Datos de diseño de chips preparados para IA
La eficacia de los modelos de IA depende de la calidad y accesibilidad de sus datos de entrenamiento. El diseño de circuitos integrados 3D genera petabytes de datos heterogéneos (de diseño, eléctricos, térmicos, mecánicos, de fabricación, resultados de exploración del diseño, resultados de simulación, datos de caracterización, información PDK) que a menudo residen en sistemas dispares y aislados con formatos incoherentes o ruido.
La preparación de estos datos masivos y multidominio para la IA requiere una inversión estratégica en la gestión de datos de diseño e IP. Es crucial seleccionar, etiquetar y garantizar la calidad y accesibilidad de los datos a lo largo de todo el ciclo de vida del diseño. También son necesarias plataformas de almacenamiento y cálculo escalables, ya que los resultados de simulación de alta fidelidad exigen una infraestructura robusta.
Sin estas bases, los modelos de IA corren el riesgo de aprender correlaciones espurias, amplificar los sesgos o producir resultados poco fiables. Esto pone de relieve la importancia de un enfoque holístico de la gestión de datos dentro del ecosistema EDA.
Afrontar los retos de los circuitos integrados 3D con IA de nivel industrial
La IA de nivel industrial se basa en cinco principios fundamentales:
- Precisión: garantizar que todos los resultados sean cuantitativamente correctos y se ajusten a estrictas leyes físicas y limitaciones de ingeniería, donde incluso un error minúsculo puede resultar crítico.
- Verificabilidad: proporcionar vías de toma de decisiones transparentes y rastreables para que los ingenieros puedan auditar con precisión cómo y por qué la IA ha llegado a un resultado específico.
- Robustez: mantener un alto rendimiento, fiabilidad y coherencia incluso ante conjuntos de datos nuevos, con ruido o incompletos.
- Generalización: aplicar con éxito los conocimientos y modelos entrenados en un problema de diseño a problemas de ingeniería nuevos y no vistos previamente.
- Usabilidad: integración perfecta con las herramientas de software CAD/CAE y los flujos de trabajo establecidos sin necesidad de un rentrenamiento exhaustivo.
Este enfoque de IA de nivel industrial aumenta la experiencia humana, alivia la carga de la gestión manual del flujo de trabajo y mejora el rendimiento de la ingeniería, garantizando que la validación multifísica rigurosa pueda escalar junto con requisitos de PPA cada vez más exigentes y a las limitaciones de tiempo de comercialización.
Conclusión
A medida que los sistemas de circuitos integrados 3D se vuelvan más complejos y heterogéneos para satisfacer las demandas de la era de la IA, será esencial combinar la experiencia humana con metodologías de diseño mejoradas por la IA. Los diseños de chips heredados ya no bastan para gestionar el paralelismo masivo y el movimiento de datos a alta velocidad que exigen las cargas de trabajo de IA modernas dentro de unos límites de temperatura y energía estrictos. Las soluciones de IA de nivel industrial permiten a los equipos de diseño superar estos retos. Al integrar la exploración inteligente del espacio de diseño, el coanálisis térmico y energético automatizado y una sólida gestión de datos, la IA está transformando al ecosistema EDA.
Lea aquí el informe técnico ampliado: Three design imperatives to accelerate 3D IC design with AI
