تامین کننده صنایع و محققان اخیرا در طراحی تراشه های مورد استفاده در یادگیری پیشرفت قابل توجهی از روی حیله و تزویر در بحث مربوط به مجمع عمومی DesignCon امسال ماشین ساخته شده دیده می شود، استفاده از اتوماسیون طراحی الکترونیکی مصنوعی (EDA) نظر هوش (هوش مصنوعی) یک موضوع بسیار محبوب است، نه تنها در این کنفرانس مقالات مرتبط با مقالات چاپ شده، موضوع نیز بسیاری از شرکت کنندگان در بحث جلب کرده است، صحنه بسته بندی شده بود.
در طول سال گذشته، یادگیری ماشین برای مرکز تحقیقات پیشرفته الکترونیکی (CAEML) چهار شرکای جدید است. این توسط 13 عضو صنعت و سه دانشگاه اضافه شده است با هم تشکیل تیم تحقیقاتی، که در حال حاضر در ادامه به گسترش وسعت و عمق کار خود .
هوی و فناوری (شرکت هیولت پاکارد؛ HPE) CAEML کارشناس فنی برجسته و عضو کریستوفر چنگ گفت: "سال گذشته، ما در تمامیت سیگنال و تمامیت قدرت متمرکز شده است، و در این سال، سبد محصولات ما به تجزیه و تحلیل سیستم، تراشه تقسیم طرح بندی و طراحی پلت فرم معتبر پیشرفت زیادی در تنوع تحقیقات ایجاد کرده است.
پل Franzon، استاد برجسته دانشگاه NC State گفت: "بهینه سازی بیزی و شبکه های عصبی تحریک پذیر (CNN) نیز عملکرد قابل ملاحظه ای را در DFM افزایش داده اند، و ما شروع کردیم استفاده از یادگیری همزمان در فرآیند طراحی را درنظر بگیرید. دانشگاه ایالتی کارولینای شمالی یکی از سه دانشگاه شریک CAEML است.
Madhavan Swaminathan، استاد موسسه فناوری گرجستان، یکی دیگر از مدرسه وابسته به CAMEL، گفت: "یکی از چالش هایی که ما با آن روبرو هستیم این است که داده های شرکت را به دست آوریم زیرا بیشتر اطلاعات آنها اختصاصی است، بنابراین ما با مکانیسم های دستکاری مختلفی روبرو هستیم که همه خوب کار می کنند، اما هنوز خیلی طولانی تر از انتظار ما است. "
CAEML توسط Analog Devices، Cadence، Cisco، IBM، Nvidia، Qualcomm، Samsung و Xilinx تأسیس شد. پشتیبانی تراشه Xilinx) و نه فروشندگان دیگر، علاقه مند در زمینه تبدیل شد، از جمله یک اتصال با سرعت بالا، انتقال قدرت، در سطح سیستم تخلیه الکترواستاتیکی، استفاده مجدد هسته IP، و چک کردن قانون طراحی.
آهنگ سیستم های طراحی و فروشندگان دیگر EDA در اوایل 1990s شروع به مطالعه یادگیری ماشین است. دیوید سفید، مدیر ارشد بخش آهنگ R & D، گفت: تکنولوژی در سال 2013 برای اولین بار به واردات محصولات خود را، با استفاده از یک نسخه از ذوق هنری، و استفاده و تجزیه و تحلیل داده کاوی یک مدل یادگیری ماشین را برای استخراج پارامترهای پارازیتی ایجاد می کند.
تا به امروز، Cadence بیش از 1.1 میلیون مدل یادگیری ماشین را برای ابزارهای خود برای سرعت بخشیدن به محاسبات طولانی مدت ارائه داده است و مرحله بعدی توسعه محصول ابزارهای طراحی و مسیریابی است که به آن می توان از طراحان انسانی یاد کرد و سفید پیشنهاد کرد که این راه حل ها می توانند از پردازش های مبتنی بر ابر و محلی برای استفاده از سیستم های موازی و مجموعه داده های بزرگ استفاده کنند.
آخرین پیشرفت فن آوری و برنامه یادگیری ماشین
Sashi Obilisetty، مدیر تحقیق و توسعه Synopsys، گفت که ابزارهای مسیریابی جهانی با استفاده از الگوریتم های موجود محدودیت های خود را در گره های فرایند پیشرفته به دست آورده اند، بنابراین آنها شروع به کاهش میزان داده های تراشه برای بستن زمان بندی کردند.
او افزود که شرکت تایوان نیمه هادی تولید سال گذشته از استفاده از ماشین برای پیش بینی سیم پیچ جهانی استفاده کرد و به سرعت افزایش سرعت 40 مگاهرتز را افزایش داد؛ Nvidia از یادگیری ماشین برای ارائه پوشش کامل طراحی تراشه در هنگام کاهش شبیه سازی استفاده کرد.
کارشناسانی که در این پانل شرکت کردند، اظهار داشتند که بسیاری از فرصت های موجود در صنعت را برای استفاده از تکنیک های یادگیری ماشین برای بهینه سازی تصمیمات خاص و بهینه سازی روند طراحی کلی، مشاهده می کنند.
فرصت های به طور خاص، محققان در حال بررسی برای مدل AI به جای شبیه ساز سریعتر امروز است. موسسه فناوری جورجیا، گفت Swaminathan، یک شبیه ساز نسبتا آهسته ممکن است اشتباهات زمان بندی، اختلالات مدارات آنالوگ، و همچنین منجر به respin تراشه گردد (respin) مدل سازی ناکافی از مشکل است. علاوه بر این، یادگیری ماشین می توانید مدل رفتاری IBIS در اتصال با سرعت بالا را جایگزین کنید.
علاوه بر این به مدل شبکه عصبی از آمازون (آمازون)، گوگل و فیس بوک جستجوی تصاویر و خدمات تشخیص صدا برای ترویج، تراشه محققان همچنین داده های مورد استفاده معدن، آمار و سایر ابزار یادگیری است.
فراننگن، از دانشگاه ایالتی کارولینای شمالی، با استفاده از یک مدل پروکسی برای بهینه سازی طراحی فیزیکی نهایی در چهار تکرار، نسبت به مهندسان مجبور به انجام تا 20 گزارش شده است. روش های مشابه برای تنظیم مدارهای آنالوگ، گیرنده فرستنده تنظیم مجدد کانال.
AI می تواند ده ها گزینه در ابزار EDA را تنظیم کند (گاهی اوقات به عنوان دستگیره ها شناخته می شود) برای کمک به سرعت بخشیدن به فرآیند اتوماسیون. "این ابزار دارای دستگیره ای است که بعضی اوقات نامشخص تعریف شده و اغلب دارای یک رابطه فازی با نتایج مورد انتظار است. "
HPE در حال حاضر در رابطه با شبکه های عصبی و ابرصفحه طبقه بندی، شرط گسل بر اساس SSD پیش بینی (SSD) از ولتاژ، جریان، و زمینه داده های درجه حرارت استفاده می شود.
چنگ گفت: "مقدار زیادی از داده های مورد نیاز آموزش تا کنون، طبقه بندی ایستا هستند، اما ما می خواهیم برای افزایش بعد زمان استفاده از یک شبکه عصبی راجعه (RNN) به جای تنها خوب / برچسب بد، و سپس ما خواهد شد. یک تگ زمان به شکست وجود دارد و در آینده ما می خواهیم این کار را به پارامترهای بیشتر و شکست های کلی سیستم گسترش دهیم.
کامپایل: سوزان هنگ