業界のサプライヤーと研究者は最近、人工的な電子設計自動化の使用（EDA）の項を見ることができ、今年の総会のDesignCon上のパネルディスカッションからトリッキーな大きな進展を機械学習に使用されるチップの設計がなされていますインテリジェンス（AI）は現在、非常に人気のある話題です。多くの関連論文が会議で発表されただけでなく、多くの出席者がパネルディスカッションにも引き付けられました。
ここ数年、高度な電子研究センター（CAEML）のための機械学習の4人の新しいパートナーを追加しました。これは、13人の業界のメンバーと3つの大学で一緒に今自分の仕事の幅と深さを拡大し続けている研究チームを構成し、 。
ホイと技術（ヒューレット・パッカードエンタープライズ; HPE）CAEML優れた技術の専門家とクリストファー・チェンのメンバーは言った。「昨年、我々は、シグナル・インテグリティおよびパワー・インテグリティに焦点を当て、今年で、当社の製品ポートフォリオは、システム分析、チップに分割してレイアウトと信頼性の高いプラットフォーム設計は、研究の多様性において最も進歩しました。
NC州立大学の優秀な教授であるPaul Franzonは、次のように述べています。「Bayesian Optimization and Convolutional Neural Networks（CNN）もDFMの機能を大幅に強化しました。設計プロセスで同期学習を使用することを検討してください」ノースカロライナ州立大学は、CAEMLの3つのパートナー大学の1つです。
ジョージア工科大学の他のCAMEL関連学校の教授であるMadhavan Swaminathan教授は、次のように述べています。「私たちが直面する課題の1つは、データの大部分が独自のものであるため、だから私たちはすべてうまくいくいくつかのハンドリングメカニズムを思いついたが、予想以上に長くなっている」
CAEMLは、アナログ・デバイセズ、ケイデンス、シスコ、IBM、Nvidia、クアルコム、サムスン、ザイリンクスサポートザイリンクス）と他の9つのベンダーは、高速相互接続、電力伝送、システムレベルの静電放電、IPコアの再利用、およびデザインルールチェックを含む、分野に興味を持つようになりました。
1990年代初頭にケイデンス・デザイン・システムズと他のEDAベンダーは、機械学習の研究を始めた。デビッド・ホワイト、ケイデンスのR＆D部門のシニアディレクターは、ヴィルトゥオーゾのバージョン、および使用および分析を使用して、自社製品を輸入するのは初めてのために2013年に技術を言いましたデータマイニングは、寄生パラメータ抽出のための機械学習モデルを作成します。
今日まで、ケイデンスは、長期コンピューティングを加速するためのツールに110万台以上の機械学習モデルを提供してきました。次の段階の製品開発は、レイアウトやルーティングツールであり、人間のデザイナーやWhite氏は、これらのソリューションでは、ローカルシステムとクラウドベースの両方の処理を使用して、並列システムと大規模データセットを利用できる可能性を示唆していました。
機械学習技術とアプリケーションの最新の開発
Synopsysの研究開発担当ディレクターのSashi Obilisettyは、既存のアルゴリズムを使用するグローバルルーティングツールは、高度なプロセスノードで限界に達しているため、タイミングクロージャのチップデータレートを削減し始めたという。
NVIDIAはチップ設計の包括的なカバレッジを提供するために、機械学習を使用している、シミュレーションを削減しながら、彼女は台湾セミコンダクター・マニュファクチャリング・カンパニー（TSMC）昨年は、世界的な傷を予測する機械学習を使用してより高速な40MHzのを作ると付け加えました。
このシンポジウムに参加するには、専門家は、特定の意思決定を自動化し、全体的な設計プロセスを最適化するために、機械学習の様々な技術を使用するための多くの機会がありますが、彼らは業界を参照してください、と言います。
具体的には、研究者たちは、AIのモデルは、今日の速いシミュレータを交換するための機会を模索している。ジョージア工科大学、スワミナサンは言った、比較的遅いシミュレータは、エラー、アナログ回路の障害、チップにつながるだけでなく、再テープをタイミング引き起こす可能性さらに、機械学習は、高速相互接続におけるIBISのビヘイビアモデリングを置き換えることができます。
促進するためのアマゾン（アマゾン）のニューラルネットワークモデル、GoogleやFacebookの画像検索と音声の両方の認識サービスに加えて、チップは研究者も、データマイニング、統計やその他の学習ツールを使用していました。
ノースカロライナ州立大学のFranzonは対照的に、4回の繰り返しで究極を達成するために、プロキシモデル、物理設計の最適化を使用して報告され、エンジニアはまた、20倍にする必要があります。同様の技術は、アナログ回路を較正するために使用し、マルチれますチャネル相互接続セットトランシーバ。
AIは、EDAツール（時にはつまみとも呼ばれる）プロセスの自動化をスピードアップするためのオプションの数十を設定することができFranzonは言った：「これらのツールは、いくつかのノブを設定し、時には不明確、多くの場合、期待される結果との関係をぼかします。 '
HPEは現在、ニューラルネットワークと超平面分類器を使用して、ソリッドステートドライブ（SSD）の電圧、温度、電流などのデータに基づいてオンザフライで障害シナリオを予測します。
Cheng氏は次のように述べています。「トレーニングには膨大な量のデータが必要ですが、これまでは分類器は静的ですが、良い/悪いタグではなくRNNを使用して時間次元を増やしたいと考えています。障害発生時のタグがあり、今後はこの作業をより多くのパラメータと一般的なシステム障害に拡張したいと考えています。
コンパイル：香港のスーザン