durum

Tamamlandı

yıl

2026

tür

Technical Survey Paper

Özet

Bu technical survey paper, yapay zekânın yarı iletken üretimi ve mikroişlemci tasarımındaki artan rolünü incelemektedir. Çalışma, modern çiplerin ve üretim süreçlerinin giderek artan karmaşıklığından hareket eder; çünkü geleneksel ölçekleme tek başına artık process variation, design-rule complexity, power density, üretim hataları ve gelişmiş donanım sistemlerindeki büyük design space problemlerini yönetmek için yeterli değildir. Yarı iletken üretimi tarafında makale, AI ve machine learning yöntemlerinin sensor data, equipment logs, wafer maps, inspection images ve metrology sonuçlarından öğrenerek smart factory iş akışlarını nasıl desteklediğini açıklar. Başlıca üretim uygulamaları arasında, ekipman sağlığını tahmin ederek arıza oluşmadan önce olağan dışı tool behavior tespit eden predictive maintenance; wafer defect türlerini ve tekrarlayan anormal desenleri belirlemeye yardımcı olan fault detection ve defect classification; ayrıca film thickness, overlay error, critical dimension veya etch depth gibi wafer özelliklerini yavaş ya da maliyetli fiziksel ölçümler beklenmeden tahmin eden virtual metrology yer alır. Bu uygulamalar, AI’ın semiconductor fabrication plants içinde downtime azaltma, yield iyileştirme ve daha hızlı process control sağlama konusunda nasıl katkı sunabileceğini gösterir. Makale daha sonra AI’ın microprocessor ve chip design alanındaki rolünü, özellikle electronic design automation iş akışları içinde inceler. AI-assisted EDA yaklaşımlarının placement, routing, timing estimation, congestion prediction, tool-parameter tuning ve Power, Performance, and Area optimization süreçlerini nasıl destekleyebileceği açıklanır. Modern chip design, çok büyük search space ve multi-objective trade-off sorunları içerdiği için machine learning, reinforcement learning, Bayesian optimization, surrogate modeling ve graph-based methods, mühendisleri daha az maliyetli full-flow iteration ile daha iyi tasarım kararlarına yönlendirebilir. Survey ayrıca macro placement işlemini sequential decision problem olarak ele alan reinforcement-learning-based chip floorplanning çalışmalarını ve PPA sonuçlarını iyileştirmek için tasarım alternatiflerini arayan Synopsys DSO.ai gibi commercial AI-driven EDA platformlarını tartışır. Ek örnekler arasında arithmetic circuit optimization ve hardware-software co-design yer alır; burada workload behavior, cache sizes, memory hierarchy, dataflow strategies ve accelerator configurations gibi mimari kararları yönlendirebilir. Makale, AI’ın bu alanda benimsenmesini sınırlayan önemli zorlukları da vurgular: semiconductor data quality, proprietary datasets, rare failure examples, model interpretability, computational cost ve katı manufacturing ile sign-off workflows süreçlerine entegrasyon. Survey, AI’ın mühendislik uzmanlığının yerine geçmediği sonucuna ulaşır. Bunun yerine AI, mühendislerin karmaşıklığı yönetmesine, daha geniş tasarım alanlarını aramasına, üretim kararlarını iyileştirmesine ve yeni nesil hesaplama donanımlarını daha verimli biçimde geliştirmesine yardımcı olan güçlü bir asistan gibi konumlanır.