В последнее время отраслевые партнеры и исследователи добились значительных успехов в применении машинного обучения к проблеме проблем с шипованным чипом, о чем свидетельствует панельная дискуссия в DesignCon в этом году, в которой показано использование человеческого труда в области автоматизации электронного проектирования (EDA) Интеллект (AI) является очень популярной темой в настоящее время. На конференции были опубликованы не только многие связанные статьи, но и многие участники были привлечены к обсуждению на панели.
За последний год CAEML добавил еще четырех новых партнеров, исследовательскую группу из 13 членов отрасли и трех университетов, которая продолжает расширять широту и глубину своей работы ,
«В прошлом году мы сосредоточились главным образом на целостности сигнала и целостности питания, и в этом году мы разделили портфель продуктов на системную аналитику, кремниевые и чипсеты», - сказал Кристофер Ченг, выдающийся технический эксперт Hewlett-Packard Enterprise (HPE) и член CAEML. Макет и надежный дизайн платформы достигли наибольшего прогресса в разнообразии исследований ».
Пол Франзон, выдающийся профессор Университета штата Северная Каролина, сказал: «Байесовская оптимизация и сверточные нейронные сети (CNN) также значительно расширили функциональность в DFM, и мы начали Рассмотрите возможность использования синхронного обучения в процессе проектирования ». Государственный университет Северной Каролины является одним из трех университетов-партнеров CAEML.
Мадхаван Сваминатан, профессор Технологического института Джорджии, еще одна школа, связанная с CAMEL, сказала: «Одна из проблем, с которыми мы сталкиваемся, - это получение данных компании, поскольку большая часть их данных является собственностью, Таким образом, у нас появилось несколько механизмов обработки, которые работают хорошо, но все еще намного дольше, чем мы ожидали ».
CAEML была основана Analog Devices, Cadence, Cisco, IBM, Nvidia, Qualcomm, Samsung и Xilinx Xilinx) от девяти поставщиков, начиная с областей, представляющих интерес, включая высокоскоростное соединение, передачу энергии, электростатический разряд на уровне системы, повторное использование IP-ядра и проверку правил проектирования.
Поставщики EDA, такие как Cadence Design Systems, начали изучать машинное обучение еще в начале 1990-х годов. Дэвид Уайт, старший директор по исследованиям и разработкам Cadence, сказал, что технология была впервые внедрена в ее продукты в 2013 году, используя версию Virtuoso, которая использует аналитику и Data mining создает модель машинного обучения для выделения паразитных параметров.
На сегодняшний день Cadence предоставила более 1,1 миллиона моделей машинного обучения своим инструментам для ускорения долгосрочных вычислений, а следующая фаза разработки продукта - это инструменты макета и маршрутизации, которые позволяют ему учиться у человеческих дизайнеров и Белый предложил, чтобы эти решения могли использовать как локальную, так и облачную обработку, чтобы использовать преимущества параллельных систем и больших наборов данных.
Последняя разработка технологий машинного обучения и приложений
Sashi Obilisetty, директор по исследованиям и разработкам Synopsys, сказал, что глобальные инструменты маршрутизации с использованием существующих алгоритмов достигли своих пределов в передовых технологических узлах, поэтому они начали снижать скорость передачи данных для синхронизации.
Она добавила, что Taiwan Semiconductor Manufacturing Co. в прошлом году использовала машинное обучение для прогнозирования глобальной обмотки, что привело к увеличению скорости на 40 МГц, а Nvidia использовала машинное обучение для обеспечения полного охвата дизайна чипа при одновременном уменьшении симуляции.
Эксперты, участвовавшие в работе группы, заявили, что они видели много возможностей в отрасли для использования методов машинного обучения для автоматизации конкретных решений и оптимизации общего процесса проектирования.
В частности, исследователи изучают возможности замены современных симуляторов более быстрыми AI-моделями, говорит Джорджинский технологический институт Swaminathan, относительно медленный симулятор, который может привести к ошибкам синхронизации, дисбалансам аналоговых схем и повторному потоку чипов (respin). Кроме того, машинное обучение может заменить поведенческое моделирование IBIS в высокоскоростном соединении.
В дополнение к моделям нейронной сети, продвигаемым Amazon, службам поиска и распознавания голоса Google и Facebook, исследователи чипов также используют интеллектуальный анализ данных, статистическое обучение и другие инструменты.
Franzon из Государственного университета Северной Каролины сообщается с использованием модели прокси, оптимизации физического проектирования для достижения конечного в 4-х итераций, напротив, инженеры должны также быть в 20 раз. Аналогичный метод используется для калибровки аналоговых схем и мульти Трансивер.
AI может EDA инструменты (иногда называемые ручками) установить десятки вариантов, чтобы помочь ускорить процесс автоматизацию Franzon сказала: «Эти наборы инструментов некоторых ручек, а иногда и неопределенные, часто размывает взаимосвязь между ожидаемыми результатами. '
В настоящее время HPE использует нейронные сети и гиперплоские классификаторы для прогнозирования сценариев сбоев на лету на основе данных, таких как напряжение, температура и ток твердотельных накопителей (твердотельных накопителей).
Чэн сказал: «Обучение требует огромного количества данных, и до сих пор классификатор является статичным, но мы хотим увеличить временные измерения с использованием RNN вместо хороших / плохих тегов, Существует тег «время от времени», и в будущем мы хотим расширить эту работу до большего количества параметров и общих сбоев системы ».
Компиляция: Сьюзан Хонг