KI News: Kurz und klar.

In einer neuen Studie wird gezeigt, wie große Sprachmodelle (LLMs) bei invertierbaren Problemen – also bei der Umwandlung von Daten aus einer Quelldomäne in eine Zieldomäne und zurück – als verlustfreier Encoder und Decoder eingesetzt werden können. Durch diesen Ansatz lassen sich die häufigsten Schwächen von LLMs, nämlich Halluzinationen und Auslassungen, deutlich reduzieren.

Large Language Models (LLMs) haben in den letzten Jahren enorme Fortschritte im Entwurf von Hardware-Frontends mit Hardware Description Languages (HDLs) erzielt. Trotz ihrer beeindruckenden Kreativität neigen sie jedoch häufig zu Halluzinationen, die funktionale Fehler in die generierten HDL-Designs einführen.

In den letzten Jahren haben KI‑unterstützte Methoden im IC‑Design großes Potenzial gezeigt, doch die Verfügbarkeit von Schaltungsdaten bleibt stark begrenzt – besonders im öffentlichen Bereich. Dieser Mangel an Daten ist zum Hauptengpass bei der Weiterentwicklung solcher KI‑Methoden geworden.

Mit dem stetig wachsenden Umfang und der steigenden Komplexität von Programmen wie KI‑Workloads wird die hohe Dimensionalität – von Rechenkernen über Array‑Größen bis hin zu Speicherhierarchien – zur zentralen Herausforderung. Um diesen Problemen zu begegnen, hat die Chip‑Design‑Industrie bereits Machine‑Learning‑Ansätze in Phasen wie Logik‑Synthese, Platzierung und Routing integriert. Die jüngsten Fortschritte großer Sprachmodelle (LLMs) bei der automatischen Generierung von Hardware‑Description‑Languages (HDL) eröffnen nun die Möglichkeit, diese Fähigkeiten auf die 2,5‑D‑Integration auszudehnen, die sowohl Flächenaufwand als auch Entwicklungs­kosten reduziert.