Микроэлектроника: от банковской карты до лифта
Человек без инженерного образования сталкивается с результатами работы микроэлектронщиков ежесекундно, даже не осознавая этого. Электроника давно перестала быть только начинкой компьютера или смартфона.
Самый простой пример — банковская карта или проездной в метро. Внутри пластика зашит чип, который обменивается данными, шифрует их и защищает накопления. Когда человек заводит машину, работой двигателя, ABS и климат-контроля управляют десятки микроконтроллеров. Лифт, кофемашина, умная лампочка — все это результат работы микроэлектронщиков.
По словам Романа Соловьева, задача ученых — делать устройства умнее, энергоэффективнее и, главное, производимыми. Когда человек пользуется навигатором, и телефон мгновенно перестраивает маршрут или обрабатывает голос для отправки сообщения — в этот момент работают алгоритмы и аппаратные решения, над которыми трудятся инженеры.
«Мы, разработчики микросхем и средств для их проектирования — тот фундамент, на котором строится комфорт современного человека», — поясняет ученый.
Точка отрезвления: почему нельзя догнать Запад старыми методами
Роман Соловьев описывает текущее состояние российской микроэлектроники как точку отрезвления и мобилизации. Самое неприятное, по его мнению, — осознание, что физику не обманешь.
Строительство передовых фабрик для печати транзисторов размером в несколько нанометров требует десятилетий и международной кооперации. Проснуться завтра и увидеть аналог фабрики TSMC в России невозможно.
«Это объективная реальность, но именно это дает нам шанс сменить парадигму, — считает Роман Соловьев. — Вместо попыток догнать уходящий поезд старыми методами, копируя технологии десятилетней давности, мы вынуждены искать асимметричные ответы».
Ученый поясняет: если нет доступа к самым тонким техпроцессам, нужно спроектировать чип так гениально, чтобы даже на более сложном техпроцессе он выдавал производительность, сравнимую с передовыми решениями. И здесь на сцену выходит искусственный интеллект, который помогает выжать из кремния максимум возможного.
Почему гонка за лидером не имеет смысла
Закон Мура начал замедляться для всех, а стоимость разработки новых чипов взлетела до небес. В классической модели догнать и перегнать невозможно — вы всегда будете отставать, потому что играете по правилам лидера, задающего стандарты. Для России этот путь стал окончательно бессмысленным с введением тотальных технологических блокад.
«Это как гонка за лидером, который бежит в кроссовках по стадиону, а вы — в кирзовых сапогах по болоту. Это стратегия поражения», — говорит Соловьев.
Нужно не бежать по чужим следам, а срезать путь — искать новые методы физики и математики, использовать доступные инструменты вроде ИИ-ассистентов и ИИ-агентов. Преимущество России не в станках, которые можно купить или построить, а в мозгах. Математическая школа позволяет решать задачи проектирования эффективнее, чем стандартные западные САПРы (системы автоматизированного проектирования).
Искусственный интеллект как короткий путь к финишу
Ключевой скачок при использовании ИИ — исключение человеческого фактора из рутинных, но критически важных этапов. Проектирование современного процессора — это размещение миллиардов транзисторов на площади небольшой монетки.
Раньше команды из десятков и сотен инженеров месяцами вручную или с помощью полуавтоматических скриптов решали, где поставить блок памяти, где вычислительное ядро, чтобы металлические соединения не пересекались и сигнал шел быстро.
Искусственный интеллект, обученный на тысячах прошлых дизайнов, делает эту работу за часы. Причем нейросети часто находят решения, которые человеку не пришли бы в голову.
«Дизайны, которые предлагает ИИ, обычно выглядят не очень структурированно, но обеспечивают лучшее качество, — поясняет Соловьев. — Мы получаем чип, который на 10–20% эффективнее по энергопотреблению и площади просто за счет лучшей компоновки».
Генеративные модели и обучение с подкреплением
Классический софт работает по правилам эвристики: если блок горячий — отодвинь его от другого блока. Но когда элементов миллиарды, эти правила начинают противоречить друг другу.
Обучение с подкреплением (reinforcement learning, RL) работает как игра в шахматы. Нейросеть-агент пробует миллионы вариантов размещения элементов на кристалле и получает награду, если чип получился быстрым и холодным, или штраф, если чип неработоспособен.
Модели RL обладают своего рода интуицией. Они видит паттерн: в прошлый раз такая структура сработала хорошо в похожей ситуации. И применяют это решение там, где жестко прописанный алгоритм зашел бы в тупик. Нейросеть ищет глобальный оптимум, а не локальный.
Нейросети на кристалле: автономность и безопасность
Когда нейросеть работает прямо на кристалле, устройству не нужно отправлять данные в облако, чтобы понять, что оно видит или слышит. Автономная машина, которая едет по горной дороге, не может зависеть от качества связи с сервером. Она должна сама на борту принять решение за миллисекунды, чтобы объехать препятствие.
Это относится и к роботам, которые скоро войдут в повседневную жизнь. Чипы со встроенными нейросетями — шаг к устройствам, живущим в реальном физическом мире и реагирующим мгновенно.
«Это безопасность, потому что данные не покидают устройство. Это скорость и надежность», — подчеркивает ученый.
Будущее за чипами, которые обучаются после выпуска?
Сейчас индустрия живет в парадигме «обучил в дата-центре — загрузил в чип — используешь». Будущее, по мнению Романа Соловьева, за нейроморфными системами и адаптивным железом. Это произойдет с появлением антропоморфных роботов, которым окружающая среда будет давать разметку: что хорошо, а что плохо.
Разбил тарелку — сделал выводы. Упал на склоне — сделал выводы. Выполнил задачу успешно — закрепил результат.
Впрочем, ученый относится к таким перспективам скептически. Он не уверен, что устройства с поддержкой обучения на борту появятся в ближайшем будущем. И вообще, насколько это актуально, если можно обучить универсальную модель, которая будет работать для всех роботов сразу.
Первыми областями, в которых почувствуют эффект от таких решений, станут беспилотный транспорт и робототехника — тут критична скорость решений и независимость от GPS и интернета. Второе направление — медицина: носимые гаджеты, анализ ЭКГ.
Российская школа микроэлектроники — математики обеспечат преимущество
В мире микроэлектроники сейчас кадровый кризис. На Западе много узких специалистов, умеющих нажимать кнопки в готовых САПР-пакетах (Cadence, Synopsys). Но мало кто понимает, как эти пакеты устроены изнутри.
Российские специалисты исторически привыкли работать в условиях ограничений. Когда нет безлимитного доступа к железу, учишься думать головой.
«Создание собственных средств проектирования с элементами искусственного интеллекта — та ниша, где мы можем быть мировыми лидерами, — уверен Соловьев. — Это задача для математиков и программистов, а они у нас одни из лучших».
Не стать костылем
Риск, что ставка на ИИ превратится в костыль, существует. Если исходить из предположения, что искусственный интеллект заменит производство, возникнет иллюзия решения проблем.
ИИ может помочь спроектировать схему, но эту схему все равно нужно напечатать в кремний. Если использовать ИИ только затем чтобы компенсировать отставание оборудования (то есть продолжать работу на старых станках), это временная мера.
ИИ станет реальной опорой только при параллельном развитии собственного станкостроения и материаловедения. Нужно выстраивать производственные цепочки на своем оборудовании.
«Искусственный интеллект — отличный инструмент в правильных руках и ускоритель разработки, но не замена фундаментальной промышленности», — подчеркивает ученый.
Кадры: нужны архитекторы, а не операторы
Проблема не в количестве специалистов, а в качестве и глубине компетенций. России не нужны тысячи операторов, умеющих запускать импортный софт и нажимать кнопочки. Критически нужны архитекторы и разработчики самих инструментов.
Раньше в вузах часто учили студентов пользоваться готовыми решениями — проводили классы Synopsys, Cadence. Сейчас в Национальном исследовательском университете МИЭТ и других университетах программы перестраивают так, чтобы студент понимал физику процесса и математику алгоритмов, заложенных в средствах проектирования.
«Специалист будущего в этой области — гибрид схемотехника и дата-сайентиста, — считает Соловьев. — Таких людей штучное количество, их сложно готовить потоковым методом».
Талант, упорство или экосистема
Ученый приводит аналогию: талант — искра, упорство — топливо. Но без кислорода костер не разгорится. Экосистема — тот самый кислород.
Современная наука слишком сложна и дорога для одиночек. Сегодня нельзя сделать прорыв в микроэлектронике, сидя в гараже. Нужны вычислительные кластеры, доступ к лабораториям, общение с индустрией, которая ставит задачи.
«Упорство важнее таланта, но умение найти команду и среду, где твои идеи нужны, — решающий фактор».
Молодым ученым Роман Соловьев советует не бояться искать команды и тех, кто разделяет их амбиции. Не бояться сложных задач. В науке сейчас время открытых дверей для смелых. Появление ИИ-ассистентов и ИИ-агентов дает в руки экскаватор вместо лопаты. Главное — знать, где и как копать.
Ранее Наука Mail публиковала статью о революционных открытиях, меняющих парадигму медицины.
