صنعت نیمه‌هادی‌ها به لطف هوش مصنوعی به سرعت در حال تغییر است.

NDO - در کنفرانس بین‌المللی هوش مصنوعی و نیمه‌رساناها (AISC) 2025 که صبح روز 12 مارس توسط Aitomatic (ایالات متحده آمریکا) و مرکز ملی نوآوری (NIC) در هانوی برگزار شد، کارشناسان فناوری در مورد رابطه همزیستی در توسعه هوش مصنوعی (AI) و نیمه‌رساناها بحث کردند.

در این کنفرانس، نظرات تأیید کردند که هوش مصنوعی و نیمه‌هادی‌ها در حال حاضر ستون‌های آینده اقتصاد دیجیتال هستند. به طور خاص، دو عنصر «هوش مصنوعی» و «نیمه‌رسانا» دست در دست هم دارند. بدیهی است که هوش مصنوعی به خودکارسازی فرآیند تولید نیمه‌هادی، پیش‌بینی و تشخیص نقص محصول، بهبود کیفیت تولید و بهره‌وری کمک می‌کند.

آقای کریستوفر نگوین - مدیرعامل Aitomatic، به عنوان مثال، تا سال 2030، برخی از کارخانه‌های تولیدی، به ویژه تأسیسات تولیدی پیشرفته، به استانداردهای سختگیرانه‌تری نیاز خواهند داشت. به عنوان مثال، در فرآیند پردازش پلاسما، پارامترهایی مانند قطر سوخت، فشار، دما و ده‌ها عامل دیگر برای اطمینان از دقت تقریباً مطلق مورد نیاز است. هوش مصنوعی به تضمین این دقت کمک خواهد کرد.

او گفت: «هوش مصنوعی بدون نیمه‌رساناها نمی‌تواند توسعه یابد و برعکس، صنعت نیمه‌رساناها به لطف پیشرفت‌های هوش مصنوعی به سرعت در حال تغییر است. این یک رابطه همزیستی است که در آن هر دو یکدیگر را به جلو سوق می‌دهند.»

آقای کریستوفر نگوین - مدیرعامل Aitomatic در کارگاه سخنرانی کرد.

آقای کریستوفر نگوین در مورد تصویر کلی فناوری، با استناد به قانون مور، تأیید کرد که سرعت توسعه هوش مصنوعی و نیمه‌هادی‌ها بسیار سریع است. هر ۱۸ ماه، فناوری ریزپردازنده پیشرفت‌های چشمگیری دارد.

در مورد بازار، جهان شاهد رشد چشمگیری است و انتظار می‌رود تقاضا برای تراشه‌های پردازش هوش مصنوعی در سال‌های آینده به شدت افزایش یابد. کشورهایی مانند ایالات متحده، چین، ژاپن و کره جنوبی در حال افزایش سرمایه‌گذاری در این زمینه هستند. رقابت بین کشورهای پیشرو در فناوری بسیار شدید است.

در زمینه تولید تراشه، خانم آنا گلدی - دانشمند ارشد تحقیقاتی گوگل - اظهار داشت که در حالی که نیازهای محاسباتی هوش مصنوعی به صورت تصاعدی در حال رشد است، قابلیت‌های سخت‌افزاری با آن همگام نمی‌شوند و این امر شکاف فزاینده‌ای را ایجاد می‌کند. برای حل این مشکل، فناوری‌های جدید هوش مصنوعی مانند AlphaChip - یک روش طراحی تراشه هوش مصنوعی - معرفی شده‌اند. او گفت که به لطف کاربرد هوش مصنوعی، فرآیند طراحی تراشه به طرز باورنکردنی تسریع شده است، در حالی که به کاهش هزینه‌ها و بهینه‌سازی عملکرد کمک می‌کند.

خانم آنا گلدی گفت: «برای بهره‌برداری کامل از پتانسیل هوش مصنوعی، باید چرخه‌های طراحی تراشه را کوتاه کنیم، الگوریتم‌ها را بهبود بخشیم و از داده‌ها نهایت استفاده را ببریم. در آینده، هوش مصنوعی نه تنها به بهبود سخت‌افزار کمک خواهد کرد، بلکه در شکل‌دهی به پیشرفت‌ها در بسیاری از زمینه‌های دیگر، از مراقبت‌های بهداشتی، مالی گرفته تا تولید صنعتی، نیز نقش خواهد داشت.»

خانم آنا گلدی به طور خاص روش AlphaChip را معرفی کرد که از هوش مصنوعی برای بهینه‌سازی چیدمان قطعات روی تراشه استفاده می‌کند و به کاهش تأخیر، صرفه‌جویی در مصرف برق و بهینه‌سازی سطح تولید کمک می‌کند. هوش مصنوعی می‌تواند با کوتاه کردن زمان و بهبود عملکرد محصول، فرآیند طراحی تراشه را بهبود بخشد. AlphaChip در نسل‌های اخیر TPUهای گوگل به کار گرفته شده است و در مقایسه با روش‌های طراحی سنتی، کارایی قابل توجهی را به ارمغان می‌آورد.

در همین حال، آقای تران تان لانگ - استاد دانشگاه وارویک - درباره تلاش‌هایی که در سراسر جهان برای افزایش قدرت هوش مصنوعی و فناوری نیمه‌هادی انجام می‌شود، اطلاعات بیشتری به اشتراک گذاشت. به عنوان مثال، او به نحوه استفاده از حافظه‌های ذخیره‌سازی و نظریه بیز برای بهبود عملکرد و مقیاس‌پذیری هوش مصنوعی (AI) اشاره کرد. حافظه‌های ذخیره‌سازی به هوش مصنوعی کمک می‌کنند تا اطلاعات را برای مدت طولانی به خاطر بسپارد و از داده‌های گذشته برای بهینه‌سازی تصمیمات استفاده کند.

آقای لانگ گفت: «نظریه بیزی به هوش مصنوعی کمک می‌کند تا احتمالات پیش‌بینی خود را بر اساس داده‌های جدید تنظیم کند و به سیستم کمک می‌کند تا سریع‌تر و کارآمدتر یاد بگیرد. این ترکیب نیاز به منابع محاسباتی را کاهش می‌دهد و در عین حال دقت بالایی را تضمین می‌کند.»

علاوه بر این، این رویکرد به هوش مصنوعی کمک می‌کند تا در زمینه‌هایی مانند مراقبت‌های بهداشتی، تولید صنعتی و اتوماسیون، روان‌تر عمل کند. به طور خاص، هوش مصنوعی می‌تواند داده‌ها را بدون تکیه بیش از حد بر مراکز داده بزرگ، بهتر پردازش کند و در هزینه‌ها و منابع صرفه‌جویی کند. در نتیجه، سیستم‌ها بدون نیاز به حجم عظیمی از داده‌ها، هوشمندتر، کارآمدتر و خودتنظیم هستند.

خانم نگان وو از گوگل دیپ‌مایند، یک مسیر تحقیقاتی را معرفی می‌کند که استفاده از شبکه‌های عصبی مدار را برای ایجاد طرح‌های مدار منطقی کارآمد پیشنهاد می‌دهد. تیم متخصصان او با به‌کارگیری شبیه‌سازی تبرید و سایر تکنیک‌های بهینه‌سازی، قصد دارند چرخه طراحی مدار را از ایده تا محصول واقعی کوتاه کنند.

یکی از چالش‌های اصلی، ایجاد تعادل بین دقت و عملکرد مدارها است، که تضمین می‌کند طرح‌ها نه تنها به درستی کار می‌کنند، بلکه در منابع نیز صرفه‌جویی می‌کنند. با این حال، اگر شکاف بین نرم‌افزار و سخت‌افزار هوش مصنوعی کاهش یابد، فرصت‌های جدید زیادی در صنعت نیمه‌هادی‌ها ایجاد خواهد شد. خانم نگان وو گفت: «اعمال هوش مصنوعی در طراحی مدار، نویدبخش تغییر نحوه عملکرد صنعت نیمه‌هادی‌ها است و به سرعت بخشیدن به فرآیند توسعه و ارائه طرح‌های بهینه‌تر کمک می‌کند.»