تشهد أنظمة الذكاء الاصطناعي المعتمدة على رقائق السيليكون (Chiplet-Based AI Systems-on-Chip) نمواً سريعاً، مما يكشف فجوة هامة في منهجية اختبار الرقائق. في حين أن تقنية اختبار "الرقيقة الجيدة المعروفة" (Known Good Die - KGD) تضمن دقة الأداء قبل التجميع، إلا أنها لا توفر ضماناً لاستمرارية الموثوقية بعد التجميع. ولتجاوز هذا التحدي، قام الباحثون بتطوير مفهوم جديد يعرف بـ "الرقيقة الجيدة الموثوقة" (Known Good Reliable Die - KGRD) من خلال نمذجة الإحصائيات ومعالجة الشكوك.

يعتمد البحث على تطوير عدة مساهمات متداخلة تشمل:

1. نموذج المخاطر الإحصائي البايزي، الذي يربط بيانات القياس المسبق للمكونات بتقدير احتمالية فشلها بعد التجميع.
2. تصميم معمارية اتخاذ القرار المقننة، التي تضمن نسبة فشل بعد التجميع يمكن إثباتها.
3. حدود التوزيع المبنية على نظرية اتخاذ القرار المثلى البايزية، التي تأخذ في الاعتبار مستويات الشك.
4. آلية تغذية راجعة مغلقة مقيدة، تحسن النموذج بشكل مستمر دون انتهاك معايير الموثوقية.

استندت الدراسة على محاكاة ميدانية لمجموعة مكونة من 4,000 رقاقة، والتي أثبتت صحة جميع الخصائص النظرية وتأكيد الضمانات الأمنية عبر مجموعة كاملة من عتبات البوابة المختبرة. النهاية؟ مستقبل أكثر أمانًا وكفاءة للرقائق الذكية في عالم الذكاء الاصطناعي. هل أنتم مستعدون لاستكشاف هذا التطور الرائع في صناعة التكنولوجيا؟ شاركونا آراءكم في التعليقات.