업계 파트너 및 연구원은 올해 DesignCon에서 전자 설계 자동화 (EDA)에 인간 노동력 사용을 보여주는 DesignCon의 패널 토론에서 보여준 바와 같이 첨단 칩 설계 문제에 기계 학습을 적용하는 데있어 상당한 발전을 이루었습니다. 인텔리전스 (AI)는 현재 매우 인기있는 주제이며, 많은 관련 논문들이 컨퍼런스에 발표되었을뿐만 아니라 많은 참석자들도 패널 토론에 매료되어 왔습니다.
지난 한 해 동안, 기계 (CAEML) 첨단 전자 연구 센터 학습 이제 작품의 폭과 깊이를 확장하기 위해 계속 연구 팀, 함께 13 명 업계 회원들에 의해 네 개의 새로운 파트너.이 세 대학을 추가 구성했다 .
후이 기술 (휴렛 팩커드 기업, HPE) CAEML 뛰어난 기술 전문가와 크리스토퍼 쳉의 멤버는 말했다 : '작년에, 우리는 신호 무결성 및 전력 무결성에 초점을 맞추고,이 해에, 우리의 제품 포트폴리오는 시스템 분석, 칩으로 나누어 져 레이아웃과 신뢰할 수있는 플랫폼 디자인은 연구의 다양성에서 가장 진보했습니다. "
노스 캐롤라이나 주립 대학교의 Paul Franzon 교수는 "Bayesian Optimization and Convolutional Neural Networks (CNN)는 DFM의 기능을 크게 향상 시켰으며, 설계 과정에서 동기 학습을 고려하십시오. "노스 캐롤라이나 주립 대학은 CAEML의 세 파트너 대학 중 하나입니다.
조지아 공과 대학의 한 CAMEL 계열 학교 인 Madhavan Swaminathan 교수는 다음과 같이 말했다. "우리가 당면한 어려움 중 하나는 대부분의 데이터가 독점적이기 때문에 회사의 데이터를 얻는 것입니다. 그래서 우리는 잘 작동하는 몇 가지 처리 메커니즘을 생각해 냈지만, 우리가 기대했던 것보다 훨씬 더 오래갑니다. "
CAEML은 Analog Devices, Cadence, Cisco, IBM, Nvidia, Qualcomm, Samsung 및 Xilinx에 의해 설립되었습니다. 지원 자일링스) 등 아홉 개 벤더 고속 상호 연결, 전력 전송 시스템 레벨 정전기, IP 코어 재사용 및 설계 규칙 검사를 포함하여, 필드에 관심을 갖게되었다.
케이던스 디자인 시스템즈 (Cadence Design Systems)와 1990 년대 초에 다른 EDA 벤더들은 처음 거장의 버전을 사용, 자신의 제품을 수입하는 데이비드 화이트, 케이던스 R & D 부서의 수석 이사는 2013 년이 기술을 말했다. 기계 학습을 연구하기 시작했고, 사용 및 분석 데이터 마이닝은 기생 매개 변수 추출을위한 기계 학습 모델을 생성합니다.
현재까지 Cadence는 장기 컴퓨팅을 가속화하기 위해 자사의 툴에 110 만 가지가 넘는 기계 학습 모델을 제공했으며, 제품 개발의 다음 단계는 레이아웃과 라우팅 툴로 인간 디자이너와 White는 이러한 솔루션이 병렬 시스템과 대규모 데이터 세트를 활용하기 위해 로컬 및 클라우드 기반 처리를 모두 사용할 수 있다고 제안했습니다.
기계 학습 기술 및 응용 분야의 최신 개발
Synopsys의 연구 및 개발 담당 이사 인 Sashi Obilisetty는 기존 알고리즘을 사용하는 글로벌 라우팅 도구가 고급 프로세스 노드에서 한계에 도달하여 타이밍 종료를위한 칩 데이터 속도를 줄이기 시작했다고 전했습니다.
그녀는 작년 대만 반도체 제조사 (Taiwan Semiconductor Manufacturing Co.)가 기계 학습을 사용하여 글로벌 와인딩을 예측했기 때문에 40MHz의 속도 향상을 보였고 Nvidia는 시뮬레이션을 줄이면서 칩 디자인을 완벽하게 다루기 위해 기계 학습을 사용했습니다.
패널에 참여한 전문가들은 특정 결정을 자동화하고 전반적인 설계 프로세스를 최적화하기 위해 기계 학습 기술을 사용하여 업계에서 많은 기회를 발견했다고 전했다.
특히 연구자들은 오늘날의 시뮬레이터를 빠른 AI 모델로 대체 할 수있는 기회를 모색하고 있다고 Georgia Institute of Technology Swaminathan은 타이밍 오류, 아날로그 회로 불균형 및 칩 재 스트리밍으로 이어질 수있는 비교적 느린 시뮬레이터를 말합니다 (respin) 모델링 문제를 해결할 수 있습니다. 또한 기계 학습은 고속 상호 연결에서 IBIS 동작 모델링을 대체 할 수 있습니다.
아마존, 구글, 페이스 북의 사진 검색 및 음성 인식 서비스에 의해 촉진 된 신경망 모델 외에도 칩 연구원은 데이터 마이닝, 통계 학습 및 기타 도구를 사용합니다.
노스 캐롤라이나 주립 대학의 Franzon는 대조적으로, 4 개 반복에서 궁극을 달성하기 위해 프록시 모델, 물리적 설계 최적화를 사용하여보고, 엔지니어들은 20 배에 있어야합니다. 유사한 기술은 아날로그 회로를 교정하는 데 사용, 멀티한다 채널 상호 연결 세트 트랜시버.
AI가 (때로는 노브로 함) EDA 툴 옵션 수십 Franzon 말했다 프로세스 자동화를 가속화하기 위해 설정할 수 있습니다 : '이 도구는 종종 예상 결과 사이의 관계를 모호하게, 잘못 정의 때로는 일부 노브를 설정합니다. '
HPE는 현재 신경망 및 초평면 분류자를 사용하여 SSD (Solid-State Drive)의 전압, 온도 및 전류와 같은 데이터를 기반으로 즉석에서 오류 시나리오를 예측합니다.
Cheng은 "훈련에는 엄청난 양의 데이터가 필요하며 분류기는 정적이지만 지금은 좋은 / 나쁜 태그 대신 RNN을 사용하여 시간 차원을 늘리고 싶습니다. 실패 할 수있는 태그가 있으며 앞으로이 작업을 더 많은 매개 변수와 일반적인 시스템 오류로 확장하려고합니다. '
컴파일 : 홍 수잔