AI正在改變芯片設計

　　人們正在角逐如何在巨大的市場和應用中應用分析、數據挖掘和機器學習，而半導體設計和制造領域無疑是最有前景的一個領域。

　　AI正在改變芯片設計

　　機器學習/深度學習/人工智能(ML/DL/AI)的關鍵是了解設備如何對真實事件和刺激作出反應，以及如何優(yōu)化未來設備。這需要篩選越來越多的數據，通過自動化來識別復雜模式、異常情況以及找到適當的位置。

　　eSilicon營銷副總裁MikeGianfagna說，“我們收集的數據用來開發(fā)我們自己的方法。目前的存儲器，我們看的是設計、內存以及對不同的內存配置建模。你可以在它上面運行模型與真實應用作比較。所以我們采用參數化的通用內存模型并將其映射至實際內存。我們也可以從之前的設計中看人力和時間表，還可以對計算資源和EDA許可做同樣的工作。如果你只有12000個CPU但需要24000個，那么你需要使用基于云的解決方案來實現(xiàn)。但那不會很快發(fā)生，你需要對此進行規(guī)劃，很大一部分是圍繞存儲器的。”

　　這只是縮短設計周期并基于經驗減少潛在問題的一系列活動的開始。

　　Synopsys驗證組營銷副總裁MichaelSanie說，“整個行業(yè)正在學習如何使用人工智能和機器學習來構建和調試系統(tǒng)。有許多關于何種堆?？梢杂糜?a class="contentlabel" href="http://www.ex-cimer.com/news/listbylabel/label/AI">AI算法的建模和模擬，這里的目標是將人工智能用于工具以及其它地方。”

　　在很大程度上，這是對系統(tǒng)級設計和復雜程度的認識，即使這些工具需要其它工具的幫助。

　　Cadence的營銷總監(jiān)StevenLewis說，“現(xiàn)在，隨著EDA生態(tài)系統(tǒng)在機器學習方面的工作，我們正試圖弄清楚它如何能夠幫我們解決更大的驗證問題，整個問題就回歸到，‘這不是早期的10個晶體管’。我很贊同這點。構成一個存儲器要10億個晶體管，那就需要知道如何布局，如何在物理層面布線。如何對這些電路執(zhí)行最最好的布局，如何放置這些組件?這一直是機器學習任務的一部分。然而我們不把它稱為機器學習，但它確實是我們試圖找出最佳方法的算法的一部分。

　　如果你可以處理特定的拓撲結構，開始了解7nm晶體管的行為方式，那你就知道了大部分流程了，因此你可以更好地判斷什么時候開始放置它們，什么時候開始布局，什么時候開始分析。”

　　前段時間，芯片制造商開始推動六西格瑪設計(six-sigmadesigns)，但是一旦復雜到一定程度，達到要求的六西格瑪質量所需的模擬開始花費大量時間時，他們就不再討論這種方案了。但隨著汽車制造商對無缺陷電子產品的需求，又掀起了關于六西格瑪的討論，在合理的時間內實現(xiàn)這一目標的唯一方法就是利用機器學習。

　　Lewis說，“通過機器學習，我們可以對晶體管的行為進行編程，因此從統(tǒng)計角度講，我不必進行1000萬次的模擬。我可以使用算法和機器學習技術來保持一定精度的條件下確定需要運行的最少模擬次數。如果我可以編程更多的算法，如果我可以對更多我進行的工作編程，那我就可以只收集這些數據的同時還保證工作的質量。這就是機器學習可以幫助我們的地方。”

　　這一定程度上已經在設計領域發(fā)生了，但它在未來會有更加顯著的使用。

　　ArterisIP的首席技術官TyGaribay說，“這項技術可以使你實現(xiàn)過去不能實現(xiàn)的事情。你可以通過這種技術來確定通孔位置。如果你無法證明某件事，你可以使用排除法。使用傳統(tǒng)的功能安全的形式，你可以放下兩件相同的事情，就像在汽車制動系統(tǒng)，發(fā)動機控制，安全氣囊控制系統(tǒng)那樣。但當我們通過電線驅動時，通常是在你的汽車中創(chuàng)建一個服務器，將功能整合到系統(tǒng)中并通過電線進行通信。目前777型噴氣式飛機可以做到這一點，但是成本/功能差別很大。為了將它應用于汽車，我們需要開發(fā)新技術并找到應用它們的方法，取代過去已驗證但太貴且速度很慢的技術。”

　　大量的數據

　　這將需要篩選大量的數據。

　　NetSpeedSystems營銷和業(yè)務開發(fā)副總裁AnushMohandass說，“在硅谷，幾乎每個人都擅長獲取某種形式的數據。但真正厲害的人是那些經歷完整鏈條的人，他們理解了從了解到行動的數據鏈。我們已將此放回到我們的設計環(huán)境和IP中。機器學習是其中的一個方面。”

　　Mohandass說，利用機器學習關鍵的一點就是挖掘第一手數據。“你使用的訓練數據是什么?它有多大?它們之間有偏差嗎?你是否偏向于某種形式的設計或其它設計?我們花了大量時間讓我們的訓練加快速度，沒有任何偏差。第二個方面是一量你獲得了數據，你如何將它深刻理解?第三是我們的機器學習環(huán)境，驅動力是什么?如何驅動客戶?

　　在生成數據時，尤其如果你輸入到了機器學習引擎時，數據量對于你來說會爆炸。你看的不是數百和數千行，而是數百萬行，因此，突然看到一百萬事物的圖表是沒有任何意義的，所以你試圖使它們聚集并觀察其趨勢。”

　　在數據挖掘的情況下，機器學習的一個非常實際的用途是搜索異常。

　　UltraSoC首席執(zhí)行官RupertBaines表示，“我們已經完成了很多本地工作，所以呈現(xiàn)的結果價值很高，內容很好?，F(xiàn)在大多數情況下，這意味著一位工程師正在看它、閱讀并繪制它。在某個時候，她會說，'看起來很奇怪'，并且會運行一些腳本來試圖找出它看起來很古怪的原因。”