Представляем цикл статей в журнале «ЭЛЕКТРОНИКА НТБ» генерального информационного партнёра Форума РИЦ «Техносфера». Часть 2 опубликована в журнале «ЭЛЕКТРОНИКА наука | технология | бизнес» №10/2025. Автор Ю. Ковалевский.
Данная часть статьи посвящена второму пленарному заседанию Российского форума «Микроэлектроника», проходившего в Университете «Сириус» с 22 по 26 сентября. Темой заседания стало применение искусственного интеллекта (ИИ), в особенности в микроэлектронной области, а также связанные с ним вызовы. Как отметили докладчики мероприятия, в условиях усложнения микроэлектронных технологий ИИ становится практически безальтернативным инструментом для ускорения разработки новых изделий ЭКБ и оптимизации процессов их изготовления. При этом ИИ, с одной стороны, помогает развивать микроэлектронику, а с другой – ставит новые задачи перед отраслью с точки зрения разработки аппаратных решений для реализации технологий искусственного интеллекта и машинного обучения.
При этом ИИ является не только драйвером развития производства микроэлектроники, но и создает новые возможности для отрасли. Было сказано, что к 2027 году ожидается открытие до 105 новых полупроводниковых фабрик, которые, по оценке экспертов, будут способны создавать от 20 до 50 П байт данных в год каждая. Эти данные – ценный актив для оптимизации производственных процессов, а обработка данных такого объема будет возможна только с применением ИИ. Н. В. Столбова сообщила, что первая большая языковая модель, специализированная для задач микроэлектронного производства, уже находится в открытом доступе.
Были отмечены широкое использование ИИ в САПР и применение ИИ-агентов в научных исследованиях и разработке, где они выполняют различные задачи от анализа литературы, до генерирования идей, планирования и проведения экспериментов, а также составления отчетов.
Среди новых вызовов и рисков, которые несет использование ИИ, были названы потребность в мощных центрах обработки данных, что приводит к большому потреблению электроэнергии, а также риски вредоносного использования ИИ, технические риски, связанные с вероятностной природой данных технологий, этические и правовые риски, которые требуют серьезной проработки глобальной нормативной базы и стандартов в данной области.
В докладе был приведен пример того, как большая языковая модель создала научный обзор на основе более 300 статей, и девять ведущих специалистов в данной области дали очень высокую оценку полученному результату. Более того, было отмечено, что существуют специальные инструменты, позволяющие установить, как взаимосвязаны научные работы по заданной тематике.
Также ИИ помогает находить новые идеи. В частности, его применение, по словам докладчика, произвело революцию в поиске новых материалов. Так, инструмент GNoME компании Google DeepMind предсказал 2,2 млн новых структур кристаллов, из которых 380 тыс. оказались устойчивыми. Ученым на такую работу потребовалось бы около 800 лет. Сейчас существенная часть этих кристаллов уже синтезирована.
На базе ИИ создаются так называемые полностью роботизированные (автономные) химические лаборатории, ускоряющие создание новых веществ. Одно из недавних достижений: автономная лаборатория A-Lab за 17 дней непрерывной работы синтезировала 41 из 58 новых неорганических материалов. Также в докладе был упомянут проект Emerald Cloud Lab, предоставляющий сервис по удаленному заказу создания вещества и проверке его свойств.
Также было отмечено, что ИИ значительно ускоряет процессы моделирования. Докладчик напомнил, что высокопроизводительные вычислительные системы изначально создавались для решения больших систем дифференциальных уравнений(ДУ) гидро, аэродинамики и подобных дисциплин. Однако в последнее время появилось несколько методов, которые позволяют существенно сократить как требования к необходимым для решения таких задач вычислительным ресурсам, так и время, требуемое для получения результата. В качестве примера был приведен недавний успех компании Google DeepMind в решении задачи нахождения точек бифуркации в турбулентных потоках с высокой вероятностью, что было невозможно с помощью численных экспериментов.
Кроме того, Н. В. Суетин привел примеры применения ИИ в медицине и в математике. Отдельно было отмечено, что ИИ помогает также создавать оптимальные архитектуры для реализации самого ИИ. Так, решение ASI-ARCH выполнило 1773 эксперимента, потребовавших более 20 тыс. DPU-часов, в результате которых было получено 10G новых архитектур, превосходивших по своим параметрам предложенные человеком.
Наконец, ИИ широко применяется для написания научных статей. В докладе был приведен ряд предназначенных для этого инструментов. Также докладчик рассказал об эксперименте, в рамках которого системе AI Scientist-v2 была поставлена задача написать с нуля статью для научной конференции, и полученная в результате статья успешно прошла рецензирование.
В конце доклада Н. В. Суетин остановился на некоторых проблемах и вызовах, связанных с применением ИИ в науке. Среди них – недостаточная степень уверенности в качестве публикаций, используемых инструментами ИИ; вероятность галлюцинаций либо принятия верных результатов за галлюцинацию; вопросы авторства при использовании средств ИИ. Было отмечено и то, что зачастую инструменты ИИ в нашей стране недоступны. Докладчик предложил создавать такие инструменты в России, а также расширять для ученых доступ к имеющимся вычислительным ресурсам.
А. И. Аветисян рассказал, что ИСП РАН занимается вопросами кибербезопасности в области ИИ с 2018 года. В 2021 году на базе института был создан Исследовательский центр доверенного искусственного интеллекта (ИЦДИИ). В центре были разработаны инструменты для анализа и разработки доверенных систем, в которых применяются технологии ИИ. Было отмечено, что инструменты центра используются в ряде крупных компаний, в том числе зарубежных. Однако, несмотря на большие успехи, достигнутые с помощью этих средств, остается нерешенной проблема доверенности данных, которая усложняется тем, что для анализа качества данных различного типа (аудио, видео, текстовых и т. д.) нужны различные инструменты.
Докладчик также сообщил, что для консолидации усилий в обеспечении безопасных технологий ИИ в России тремя организациями (НТЦ ЦК, Академией криптографии РФ и ИСП РАН) был создан Консорциум исследований безопасности технологий ИИ. На данный момент к нему присоединились десятки организаций. ИСП РАН в рамках консорциума возглавляет рабочую группу РГ-4 «Безопасная разработка технологий ИИ».
Говоря о социогуманитарном аспекте применения технологий ИИ, А. И. Аветисян отметил, что понимания того, как должна регулироваться данная сфера, пока нет ни в нашей стране, ни за рубежом. При этом заметно желание крупных стран в том числе в рамках ООН создать отдельное направление по безопасности в области ИИ, чтобы отделить этот вопрос от «традиционной» безопасности. Докладчик указал на то, что морально-этические соображения в разных странах могут быть разные, и если мы не займемся этим вопросом сами, то нам придется принимать те стандарты, которые будут созданы без нас. Однако, по его словам, данная работав России ведется, и вполне можно сказать, что наша страна в этом отношении находится на передовых позициях.
Среди вызовов, связанных с технологиями ИИ, было названо, в частности, то, что без специального исследования отделить реальные изображения, видео, аудиозаписи и т. п. от сгенерированных ИИ (дипфейков) фактически невозможно. Поэтому во всем мире вводятся ограничения в отношении контента, создаваемого ИИ. В ИСП РАН в этом году по соглашению с «Яндексом» начата разработка промышленного решения для маркировки генерируемого ИИ контента. Это решение будет открытым.
Еще одной проблемой является то, что для машинного обучения необходимы данные, однако их владельцы делятся ими неохотно. Эта проблема может быть преодолена с помощью федеративного обучения с использованием доступной всем единой модели. А. И. Аветисян привел успешные результаты по организации федеративного обучения в сфере медицины, достигнутые ИСП РАН совместно с «Яндексом» и Сеченовским университетом. Однако, по мнению докладчика, необходимо создание единой системы федеративного обучения, а не нескольких систем по направлениям.
Также в докладе было уделено внимание вопросам применения отечественных аппаратных средств как основы для технологий ИИ.
Далее были представлены сведения о развитии электронной и радиоэлектронной промышленности в России и мерах поддержки отрасли. В. В. Шпак рассказал, что отечественный рынок радиоэлектроники растет, и этот тренд поддерживается в том числе процессами цифровизации. Более 50% выручки в отрасли генерируется на территории нашей страны, целью является доведение этой доли до 70% к 2030 году. Было сказано, что этот процесс необратим, его остановка не прогнозируется. Фокус государственного внимания сосредоточен на повышении уровня локализации производимой продукции. Сейчас уровень локализации составляет порядка 20%, резких скачков в этом отношении не ожидается, но к 2030 году он должен быть увеличен до 40%.
Говоря о развитии микроэлектронных производств, докладчик сообщил, что на текущий момент в России есть возможность производить около 145 тыс. пластин в год в 200-мм эквиваленте. Ожидается, что к 2030 году эта цифра возрастет до 480 тыс.
Для того чтобы сформировать фокус технологического развития, создаются комплексные аналитические программы. По всем направлениям отрасли данные программы разработаны, но большинство из них требуют доработки. На момент проведения мероприятия были утверждены две программы – по электронному машиностроению, материалам, химии и САПР и по фотонике. Еще несколько документов находилось на различных стадиях утверждения, включая программы по СВЧ-электронике, микроэлектронике, электротехнике.
Одной из главных задач В. В. Шпак назвал развитие электронного машиностроения. Он сообщил о том, что была подготовлена первая редакция каталога российского оборудования, следующими должны быть подготовлены каталоги по материалам и химии. Каталоги будут размещаться в том числе на площадке ГИСП.
Докладчик напомнил, что за последнее время была завершена разработка двух установок для производства фотошаблонов для технологий 0-G5 нм, а также степпер для технологической нормы 350 нм, который уже находится в серийном производстве. В. В. Шпак сообщил, что планируется подготовка мер защиты отечественных производителей оборудования вплоть до запрета закупки иностранных установок и материалов на особо значимые производства.
Докладчик отметил, что на территории страны удается локализовывать базовые техпроцессы производства электронных модулей, узлов, конечной аппаратуры. Лидером в этом отношении являются технологии монтажа компонентов на плату. Так же усиленно стимулируется применение российских компонентов и печатных плат. Было сказано, что достаточно медленно идет процесс замещения импортных процессоров в вычислительной технике (ВТ). Ситуация с отечественными процессорами выправляется, однако, пока она окончательно не разрешилась, было сформулировано решение в виде двухуровневой системы преференций для российской вычислительной техники: первый приоритет получает ВТ с российским процессором, а второй – отечественная ВТ с иностранным процессором.
По поводу локализации технологий ИИ В. В. Шпак высказал мнение, что в этом отношении еще предстоит серьезная работа совместно с Минцифры России по выработке критериев отечественности как аппаратных, так и программных решений.
Отдельно заместитель министра остановился на проблеме выдачи иностранной продукции за отечественную. Он сообщил, что имеется достаточно много сведений о подобных нарушениях. Хотя, по его мнению, эти факты могут иметь локальный и часто вынужденный характер и каждый случай будет подробно разбираться, В. В. Шпак призвал не следовать этой практике во избежание серьезных последствий для предприятия.
В отношении мер поддержки было сказано, что обсуждается возможность продления налоговых льгот для предприятий отрасли на определенный период, а также их расширение. По словам В. В. Шпака, эта мера позволила предприятиям с 2021 года сэкономить средства, сопоставимые с масштабом прямой господдержки.
При этом прямая субсидиарная поддержка на создание конечных аппаратурных решений, применявшаяся в последние годы, будет заменяться инструментами льготного заемного финансирования, которые, как отметил докладчик, позволят осваивать новые производства, осуществлять подготовку производства новых изделий, а также в определенной части смогут использоваться для выполнения ОКР. Прямая же государственная финансовая поддержка будет концентрироваться на разработке критических базовых технологий, перспективных, прикладных, поисковых, фундаментальных исследованиях – на высоко рисковых областях и областях с длительным сроком возврата инвестиций.
Еще одним затронутым в докладе вопросом стало развитие экспорта. В. В. Шпак призвал думать наперед и настойчиво продвигать отечественную продукцию на перспективных рынках, таких как Индия, Китай, Южная Америка. Также он указал на то, что на текущий момент в мире нет доверенной открытой архитектуры в сфере ИИ, а запрос на нее существует во многих странах, и здесь российские разработчики могут предлагать коллегам из данных стран возможность совместной разработки подобных решений для последующего совместного безопасного их внедрения на их рынках.
По словам А. С. Кравцова, ЦД и методы машинного обучения (МО) отлично дополняют друг друга: первые выдают данные, которые затем обрабатываются вторыми для определения оптимальных параметров процессов и выдачи наилучшего решения. Предложенные средствами МО режимы затем проверяются на ЦД либо на реальном оборудовании. При этом были приведены результаты одного из экспериментов, который показал, что наилучшие результаты дает модель, когда данные, полученные с помощью ИИ, проверяются специалистом, в сравнении с двумя другими моделями, в которых работают только люди и только ИИ соответственно.
Применение методов МО открывает возможности для предиктивной аналитики: прогнозирования появления дефектов исходя из анализа топологии кристаллов, выявления на изготовленной пластине кристаллов с повышенным риском отказа в процессе дальнейшей эксплуатации и т. п. Интеграция этих решений в единую систему с объединением всех данных контроля для сквозного анализа позволяет переходить к проактивному управлению производством. По словам докладчика, подобные решения уже работают в России, однако не в микроэлектронике, а в других отраслях.
Говоря о современных фабриках, А. С. Кравцов указал на то, что цифровые двойники завода являются ключевым элементом «Индустрии 4.0», и привел ряд примеров из мировой практики, в частности завод Bosch в Германии, где ЦД предприятия позволяет, в частности, моделировать планируемые изменения в виртуальной среде перед их реализацией. Также было отмечено, что ИИ и ЦД активно внедряются такой компанией, как Samsung, а в Китае создано более 10 тыс. ЦД промышленных предприятий. Ожидается, что глобальный рынок ЦД к 2030 году вырастет почти до 15G млрд долл.
Переходя к ситуации в России, А. С. Кравцов указал на наличие хорошей научной базы по тематике применения ИИ и ЦД в промышленности, а также на ряд практических примеров внедрения данных решений, среди которых: ЦД поездов «Ласточка«, ряд решений в авиационной отрасли и др. Также был упомянут опыт разработки стандартов и программ развития по этому направлению. Однако, как отметил докладчик, подобные научные исследования в интересах микроэлектроники проводятся в штучном количестве, а внедрение методов МО и ЦД в процессы микроэлектронной отрасли происходит достаточно медленно.
А. С. Кравцов предложил следующую классификацию команд, работающих в данном направлении: «пионеры» (около 10–15% компаний), готовые к внедрению таких решений, но часто «тонущие в рутине»; «осознающие» (порядка 30% компаний), которые понимают пользу от соответствующих средств, но сталкиваются с трудностями старта, проблемами с доступом к инструментам, высоким порогом входа; «скептики» (более 50%), не считающие необходимым или не видящие возможности внедрения данных средств. Докладчик отметил, что такое распределение по группам примерно соответствует общемировому положению.
А. С. Кравцов озвучил предложение по созданию единой платформы для разработки сервисов ИИ как отраслевой инфраструктуры, которая, по его словам, поможет снять упомянутые технические барьеры и предоставит возможности для более широкого внедрения средств ИИ и ЦД в процессы для всех трех обозначенных групп компаний. В докладе были приведены основные модули предлагаемой платформы. Также было отмечено, что доступ к вычислительным ресурсам можно обеспечить на базе ЦКП Минпромторга России.
А. Л. Переверзев привел облик «САПР будущего», которая объединяет различные маршруты проектирования на основе коммерческих и открытых инструментов на общей доверенной платформе с ИИ. Он отметил, что в настоящее время ИИ используется всеми ведущими вендорами САПР практически во всех маршрутах. Из всего множества методов ИИ, применяемых в САПР, докладчик подробно остановился на четырех.
Первый из них – применение обучения с подкреплением для поиска оптимального решения путем имитации целевого процесса с подбором параметров методом проб и ошибок. По различным критериям, которые могут включать частоту сигналов, площадь кристалла, потребляемую мощность и т. п., либо совокупность нескольких параметров, определяется, должен ли полученный результат вознаграждаться или штрафоваться. Это позволяет сократить количество итераций прохождения маршрута проектирования, существенно ускоряя время разработки нового изделия. Был приведен пример успешного применения данного подхода компанией Google, которое позволило снизить время, необходимое для выполнения размещения макро блоков с G-8 недель до 24 ч и получить при этом сокращение общей длины трасс.
Второй метод – использование сверточных сетей для анализа данных в графическом представлении: топологий, карт распределения токов, напряжений, временных диаграмм и т. п. Докладчиком также был приведен пример применения этого метода, где при сравнительно малом снижении точности было существенно сокращено время, затрачиваемое на оценку падения напряжения в цепях питания.
Третий метод основан на графовых нейронных сетях. Поскольку граф является классическим способом представления схем на различных уровнях абстракции, с помощью данных сетей можно получать предсказания таких характеристик, как падения напряжения, задержки и др. Приведенный в докладе пример из мировой практики показал, что этот метод позволяет, в частности, существенно уменьшить затрачиваемое время и количество итераций, необходимых для вычисления паразитных емкостей по схемотехническому представлению в сравнении с симуляцией по всему нетлисту.
Наконец, четвертый метод – применение больших языковых моделей, которые помогают ускорить выполнение задач и оптимизировать результаты работы с данными в текстовом представлении, в частности при генерации RTL-кода.
А. Л. Переверзев отметил, что за последние пять лет произошел бурный рост публикаций по применению ИИ в САПР и что, вероятно, оно приведет к смене парадигмы проектирования микроэлектронных изделий: экспертов, работающих по жестко заданным правилам с известным ПО, сменят специалисты по машинному обучению, задача которых будет заключаться в том, чтобы сформулировать правильный запрос для ИИ и получить результат.
Среди барьеров внедрения ИИ в САПР микроэлектроники были названы большое количество вариантов PDK, библиотек, техпроцессов, а также закрытость отрасли, в особенности в нашей стране, отсутствие готовых датасетов и недостаток специалистов по разработке ЭКБ с компетенциями в области ИИ. Эти барьеры частично преодолеваются благодаря появлению открытых маршрутов, кодов для промышленных решений и наборов данных проектов.
Далее А. Л. Переверзев познакомил аудиторию с развитием данного направления в нашей стране, отметив большую роль в этом таких организаций, как Фонд перспективных исследований, ИСП РАН, компания «Альфачип» и др. Были приведены два проекта, находящиеся в стадии предварительных исследований, – по автоматизации генерации RTL и по сокращению времени проектирования за счет уменьшения количества итераций прохождения маршрута, а также несколько практических разработок, близких к стадии готового продукта, а именно микросервисная платформа, позволяющая собирать данные с оборудования, формировать модели и решать задачу коррекции фотошаблонов, и проект для синтеза базовых функциональных СВЧ-узлов.
Также в докладе были приведены сведения о реализации дорожной карты разработки отечественной САПР. Было отмечено, что появление САПР с базовым функционалом ожидается в конце 202G года, а на следующем этапе планируется создание развитого варианта системы, конкурентоспособного на фоне коммерческих продуктов, в котором в том или ином объеме будут внедряться средства ИИ.
Вторая задача, в решении которой может помочь ИИ, – оптимизация трассировки печатных плат с обеспечением целостности питания. Сокращение времени получения результата здесь может быть достигнуто за счет «примешивания» нейросетевого подхода к решению ДУ.
Ряд приведенных в докладе задач был связан с тепловыми и механическими расчетами. Так, по словам докладчика, ИИ помогает быстрее получать результаты при термопрочностном моделировании (в качестве примера был приведен расчет термопрочностных характеристик выводов компонента BGA), анализе термического состояния оборудования (например, серверов), моделировании коробления печатных плат, расчете распределения температур в электронном компоненте под нагрузкой и его окружении на печатной плате.
К вызовам, связанным с применением ИИ в математическом моделировании, помимо уже упоминавшихся в других докладах проблем объема и качества данных, докладчик отнес проблему интерпретируемости получаемых данных, а также в целом принятия инженерами смены парадигмы проектирования, вызываемой использованием ИИ. Так, было сказано, что если при моделировании на основе ДУ инженер в целом понимает, какие уравнения и как решаются, то в случае применения ИИ ему это непонятно, что вызывает недоверие к результатам. Сокращение объема рутинной работы, с одной стороны, является благом, но с другой – вызывает у инженеров определенный стресс, поскольку они не знают, чем занять освободившееся время. Д. В. Фомичёв указал на необходимость объяснения этих моментов инженерам, чтобы они доверяли результатам работы ИИ и с пониманием относились к новым технологиям. Это, по словам докладчика, должно учитываться и при подготовке новых кадров.
Кроме того, был отмечен ряд вопросов, связанных с этикой, безопасностью и конфиденциальностью данных при применении ИИ. В частности, по словам докладчика, ответственность за решение всегда лежит на инженере, и ошибка ИИ становится его ошибкой, что также сдерживает использование ИИ в задачах моделирования.
Д. В. Фомичёв привел также рекомендации по внедрению ИИ в процессы математического моделирования на предприятиях, предложив действовать локально и поэтапно: сначала выбрать пилотный проект — конкретную задачу, и сфокусироваться именно на ней, далее подготовить данные для решения этой задачи и решить ее с применением новых технологий и лишь затем масштабировать данный подход. Локальный успех, по его словам, поможет в том числе повысить мотивацию к дальнейшему масштабированию.
В рамках мероприятия докладчики ответили на ряд вопросов аудитории. Темы, которые обсуждались в рамках заседания, были более глубоко раскрыты на тематических круглых столах деловой программы форума.
Организаторами форума «Микроэлектроника 2025» выступали АО «НИИМЭ» и АО «НИИМА «Прогресс» при поддержке Министерства промышленности и торговли Российской Федерации, Министерства науки и высшего образования Российской Федерации. Генеральные партнёры – ПАО «Сбербанк», НИЦ «Курчатовский институт», Государственная корпорация по атомной энергии «Росатом», Фонд перспективных исследований (ФПИ). Стратегический партнёр – Группа компаний «Элемент». Официальный партнёр – ОАО «РЖД». Инновационные партнёры – Холдинг «Швабе», ООО «Лазерный Центр», Многопрофильный ИТ-Холдинг «Национальная компьютерная корпорация», ООО «Т8», АО «Крафтвэй корпорэйшн ПЛС». Стратегический информационный партнёр – Генеральное информационное агентство «ТАСС». Образовательный партнёр – Университет «Сириус». Спортивный партнёр – НИУ МИЭТ. Партнёры – ООО «ХайТэк», ООО «НМ-Тех», АО «Корпорация Роботов»,Т1 Интеграция, АО НИИТМ, АО «Концерн ВКО «Алмаз – Антей», АО «Уральское проектно-конструкторское бюро «Деталь», НИЯУ МИФИ, АО «Сигналтек», АО «Нанотроника», Российский научный фонд, АО «НПЦ «РПК», Группа компаний Остек, Консорциум робототехники и систем интеллектуального управления, ООО «ФОРМ». Генеральный информационный партнёр – АО «РИЦ «ТЕХНОСФЕРА». Оператор Форума – Агентство деловых коммуникаций «ПрофКонференции».