ניו-טק מגזין | אוקטובר 2026 | המהדורה הדיגיטלית

Signoff האמין בתהליכי AI ברוכים הבאים לעידן ה וייצור שבבים

מערכת ניו-טק מגזין גרופ »

נוספת של כלי תכנון, אלא שינוי בדרך שבה אנו חושבים על עצם תהליך יצירת השבבים. מה שמלהיב אותי יותר מכל אינו תכנון ,) AI שבבים עבור יישומי בינה מלאכותית ( אל תהליך התכנון AI אלא הבאת העוצמה של והייצור של השבבים עצמם. בהתבסס על מה שראיתי עד כה, אני אופטימי לגבי ההבטחה לחדשנות גדולה יותר בתחום המוליכים אמין. AI למחצה באמצעות תעשיית המוליכים למחצה ניצבת כיום בפני שאלה קריטית. השאלה אינה האם לאמץ בינה מלאכותית, אלא כיצד להטמיע אותה מבלי לפגוע באמינות שמבטיחה שהשבבים ימשיכו לפעול בשטח. כאשר צוותי תכנון מתמודדים עם מיליארדי הפרות בתהליכי האימות ועם חלונות ייצור הנמדדים בננומטרים, הלחץ לבצע אוטומציה הוא עצום. אולם בתעשייה שבה פגם יחיד שלא זוהה עלול לעלות מיליוני דולרים בסבבי ) או בכשלים בשטח, Respins תכנון מחדש ( מהירות ללא ודאות היא פשרה מסוכנת. אמינות וחסונות AI הפתרון טמון במערכות לתכנון ולייצור שבבים, המספקות שיפורים ממשיים ולא רק אוטומציה לשם האוטומציה. שמהנדסים יכולים AI התעשייה זקוקה ל לפרש, לבקר ולתת בו אמון.

חודר עמוק יותר לתהליכי AI ככל שה העבודה בתעשיית המוליכים למחצה, האמון הופך לאחד החסמים האחרונים בדרך לאימוץ נרחב של הטכנולוגיה בתעשייה. בתהליך שבין תכנון שבבים בעלות AI , מערכות ה- Signoff ל הערך הרב ביותר לא יהיו בהכרח האוטונומיות ביותר, אלא אלה שיהיו השקופות, הניתנות לניהול והאמינות ביותר. באמצעות שילוב בין מנועים שניתן להסביר AI דטרמיניסטיים לבין ,) Explainable AI את פעולתו ( התעשייה יכולה להאיץ את תהליכי , לשפר את תוצאות הייצור Signoff ה ולהעניק לצוותי ההנדסה ביטחון רב יותר בכל החלטה – משלב התכנון ועד הייצור. מהלך הקריירה שלי צפיתי בתעשיית ב המוליכים למחצה מתפתחת תוך התמודדות עם אתגרים יוצאי דופן. מגיאומטריות בקנה מידה ננומטרי ועד ,) EUV לליתוגרפיה באולטרה-סגול קיצוני ( כל שינוי דרש גישות חדשות לתכנון ולייצור. אולם בינה מלאכותית מייצגת משהו שונה באופן מהותי: לא עוד צומת תהליך או יכולת

פער האמון באוטומציה של "קופסה שחורה" השימוש בתוכנות אוטומציה לתכנון אלקטרוני אינו יכול להתייחס לבינה AI ) מבוססות EDA ( המלאכותית כאל "קופסה שחורה" – להזין נתוני תכנון, לקבל תוצאות שעברו אופטימיזציה ולסמוך על האלגוריתם. עבור צוותי הנדסה האחראים על שבבים שמפעילים כל דבר – מסמארטפונים ועד כלי רכב אוטונומיים – חוסר השקיפות הזה יוצר סיכון שאינו מתקבל על הדעת. ניקח לדוגמה תהליך טיפוסי של אימות פיזי ). צוותי תכנון נתקלים Physical Verification ( באופן שגרתי במיליוני הפרות בפריסות מורכבות. מיון ידני שלהן אינו מעשי, אך היא מתכון לאסון. AI קבלה עיוורת של תוצאות צוותי הנדסה מפיקים תועלת כאשר הם יכולים כדי לזהות אותות בעלי משמעות AI להשתמש ב סטטיסטית בתוך נתוני תוצאות האימות. כאן הופכת יכולת הפרשנות לדרישה עסקית הבוחנים כלי אימות CAD חיונית. מנהלי צריכים לשאול: האם המערכת AI מבוססי יכולה לזהות דפוסי בעיות הקשורים זה לזה מבחינה סטטיסטית בתוך מכלול ההפרות? האם היא יכולה לספק מדדי ביטחון שיסייעו לתעדף את תהליך איתור ותיקון התקלות

New-Tech Magazine l 44