Forscher der New York University (NYU) haben das scheinbar Unmögliche geschafft: sie entwickelten sich und stellte einen Halbleiterchip her, ohne die Hardwarebeschreibungssprache HDL zu verwenden. Sie sprachen mit der künstlichen Intelligenz ChatGPT in Klartext und erklärten ihm, wie ein Halbleiterprozessor funktionieren sollte. ChatGPT wiederum half ihnen, den Übergang zu HDL zu überspringen und direkt mit der Geometrie und dem Layout der Chipelemente fortzufahren.

Der von ihnen entwickelte Chip war kein vollständiger Prozessor, sondern nur eine seiner Komponenten: die Logik für eine batteriebasierte 8-Bit-Mikroprozessorarchitektur. Ein Akkumulator ist ein Register (Speicher), in dem Zwischenergebnisse von Berechnungen gespeichert werden. Dies ist ein wichtiger Teil der Arbeit von Auftragsverarbeitern. Vielleicht können auch andere Teile mit ChatGPT entworfen werden.

Normalerweise sind mehrere Schritte erforderlich, um einen Chip zu erstellen. Eine davon ist eine Übersetzung von „Plain English“, die den Chip und seine Funktionen in HDL (z. B. Verilog) beschreibt. HDL definiert die Form und Größe der zum Ätzen benötigten Chipelemente. ChatGPT ist ein leistungsstarkes Tool für die Arbeit mit Sprachen: gesprochene, geschriebene und Hardware. ChatGPT ermöglichte es Ingenieuren, die HDL-Phase zu vermeiden.

Die Forscher sagen, dass dieser Ansatz Fehler reduzieren, die Produktivität steigern, das Chip-Design und die Markteinführung beschleunigen und kreativere Designs fördern könnte.

„Wir wollen wissen, wie gut solche Modelle sind“, sagte einer der Forscher. „Viele Leute denken, dass diese Modelle nur Spielzeug sind. Aber ich stimme nicht zu. Wir haben Chip Chat als Proof of Concept entwickelt.“

Die Forscher verwendeten den Tapeout-Prozess, um ihre Entwürfe an das Skywater 130-nm-Shuttle zu senden, einen Halbleiterchip-Fertigungsdienst, auf den sie über Tiny Tapeout zugegriffen hatten. Dies war das erste Mal in der Geschichte, dass aus einem KI-generierten HDL ein echter physischer Chip wurde.

Die Forscher hoffen, dass ihre Arbeit zur Weiterentwicklung der Untersuchung der Anwendung von Modellen der künstlichen Intelligenz bei der Entwicklung von Hardware beitragen wird. Sie interessieren sich auch dafür, wie die Qualität von KI-Modellen überwacht und bewertet werden kann.