В статье исследуются методы применения нейронных сетей и глубокого обучения для оптимизации энергопотребления в проектировании сверхбольших интегральных схем (СБИС). В условиях увеличения сложности схем и требований к энергоэффективности традиционные аналитические методы часто оказываются недостаточно эффективными. Нейронные сети позволяют выявлять сложные зависимости между параметрами схем и их энергозатратами, что ведет к более совершенным решениям. Основные направления применения включают прогнозирование энергопотребления на этапе проектирования, динамическое управление питанием, оптимизацию топологии и минимизацию утечек тока. Показано, что применение глубокого обучения может снизить энергопотребление на 30-40% по сравнению с традиционными методами. В статье обсуждаются методологические аспекты, такие как архитектурные решения и алгоритмы обучения
The article explores innovative methods of applying neural networks and deep learning to improve energy efficiency in very large-scale integration (VLSI) circuits. As design complexity increases and energy consumption requirements become more stringent, traditional analytical approaches demonstrate limited effectiveness. Neural network technologies allow for the identification of non-linear dependencies between circuit parameters and their energy consumption, providing a breakthrough in optimization. Key areas include predicting energy consumption at the design stage using regression models, dynamic power management through adaptive voltage/frequency scaling (DVFS), optimizing circuit element topology, and minimizing leakage currents. Experimental data demonstrate a 30-40% reduction in energy consumption compared to classical methods through the use of hybrid architectures with hardware accelerators, dynamic computation precision scaling (8-bit operations instead of 32-bit), and in-memory data processing (pim architectures). special attention is given to methodological aspects: development of adaptive learning algorithms with gradient descent, integration of rnn and lstm networks for temporal analysis, and model verification procedures considering technological parameter variation. The study confirms that neural network approaches provide multi-criteria optimization, balancing performance, energy consumption, and chip area