對于負責將機器學習和深度學習技術(shù)應(yīng)用在計算軟件的EDA研究項目的Elias Fallon來說，他對電子設(shè)計行業(yè)的未來發(fā)展有著獨特的見解。

 

他指出，半導體芯片及其周邊系統(tǒng)設(shè)計的下一個飛躍將來自EDA計算軟件工具流程的融合，以及更大規(guī)模的機器學習/深度學習(DL)技術(shù)和多核計算的應(yīng)用。當前的人工智能和機器學習創(chuàng)新浪潮始于GPU計算能力的提高，以及設(shè)計工程師開發(fā)加快深度神經(jīng)網(wǎng)絡(luò)訓練的方法。機器學習/深度學習將在下一代平臺的設(shè)計中發(fā)揮關(guān)鍵作用，從而使新興技術(shù)(包括5G、超大規(guī)模計算等技術(shù))得以廣泛應(yīng)用。

 

對于Fallon來說，其樂趣在于解決在設(shè)計和驗證過程的每個階段存在的一些非確定性多項式(NP)難題和完整性問題。Fallon與其團隊開發(fā)了設(shè)計工程師用來設(shè)計、仿真和驗證集成電路、封裝、電路板和系統(tǒng)的軟件。他們面臨的設(shè)計挑戰(zhàn)既棘手又復(fù)雜，以至于沒有在一定時間內(nèi)找到最佳解決方案的方法。從定義上看，面臨的驗證挑戰(zhàn)是從來沒有遇到過的問題。Fallon和其團隊開發(fā)了各種各樣的復(fù)雜算法和軟件來提供最佳的解決方案，這些創(chuàng)新為客戶推動了設(shè)計生產(chǎn)率的提高。

 

數(shù)值求解器、布爾可滿足性求解器、自適應(yīng)網(wǎng)格劃分、計算幾何以及迭代改進優(yōu)化算法都是計算軟件的例子。計算軟件算法要求EDA軟件工程師確定如何將算法最佳地應(yīng)用于當前的設(shè)計挑戰(zhàn)，以及如何以設(shè)計術(shù)語向用戶呈現(xiàn)各種元參數(shù)、控件和命令。下一代設(shè)計的趨勢是在系統(tǒng)設(shè)計和驗證中增加復(fù)雜性，這將需要EDA工具箱中新增計算軟件“工具”， 以實現(xiàn)設(shè)計生產(chǎn)力的飛躍。

 

過去六個月來，在家遠程工作的人們受益于云計算、芯片優(yōu)化和互聯(lián)網(wǎng)的進步。而在電子行業(yè)的一個良性反饋循環(huán)中，計算軟件為電子設(shè)計提供幫助，而設(shè)計團隊也將從未來創(chuàng)新中受益。5G、超大規(guī)模計算和其他技術(shù)驅(qū)動力需要在芯片、封裝、電路板和系統(tǒng)設(shè)計方面進行大量的創(chuàng)新，以創(chuàng)造出電子技術(shù)在未來發(fā)展的各種可能性。通過示例學習的機器學習功能是一種新的計算軟件工具，它為設(shè)計師的下一輪創(chuàng)新奠定了基礎(chǔ)。

 

計算軟件已在生產(chǎn)率提高和解決電子系統(tǒng)設(shè)計的復(fù)雜性挑戰(zhàn)方面實現(xiàn)了巨大的增長。當Cadence公司的解決方案解決了上一代挑戰(zhàn)時，面臨下一代的設(shè)計更加復(fù)雜。系統(tǒng)復(fù)雜性的不斷增長也帶來設(shè)計和驗證流程的復(fù)雜性。這種復(fù)雜性已經(jīng)成為流程不斷變化以采用新的最佳實踐或自動化的障礙。復(fù)雜流程中的每個工具或步驟(添加新的選項、命令和功能)都需要用戶理解、評估并檢查其在整體流程中的適應(yīng)性，然后才能采用。具備部署機器學習的能力，可以通過示例向用戶學習設(shè)計實踐，并允許EDA軟件工程師開發(fā)系統(tǒng)，以將機器學習設(shè)計實踐轉(zhuǎn)換為新工具流程中的選項，從而加速了創(chuàng)新設(shè)計流程的采用。

 

例如，模擬電路設(shè)計人員會根據(jù)以往經(jīng)驗了解在電路設(shè)計和布局中需要匹配的器件，但是要在設(shè)計流程中采用自動化技術(shù)，需要增加額外的約束和規(guī)范。機器學習模型可以從完成的設(shè)計中學習那些設(shè)計師的最佳實踐，并為每個設(shè)計師或設(shè)計團隊以定制的方式加速整個設(shè)計流程。創(chuàng)新的系統(tǒng)設(shè)計公司不會與其他公司共享他們的設(shè)計或從他們那里訓練來的機器學習模型。因此，學習機器學習的設(shè)計實踐的訓練必須在用戶那里進行。機器學習將成為EDA計算軟件工具箱中的關(guān)鍵工具，這與其他行業(yè)中許多基于SaaS機器學習的產(chǎn)品看起來不太一樣。

 

除了通過示例學習設(shè)計實踐之外，EDA中機器學習的最常見用例是預(yù)測未來的流程步驟。當所有這些非確定性多項式(NP)問題集中在一起時，很難完全預(yù)測當前流程步驟結(jié)果的影響。最常見的示例是在優(yōu)化布局時了解可路由性。布局通常決定每個組件的位置，并以最小化面積/成本和導線長度為目標。路由為每個組件之間的每個信號建立連接。這些組件可能是PCB上的部件，也可能是芯片上的模塊或晶體管。多年來，EDA工程師開發(fā)了許多啟發(fā)式方法，以在優(yōu)化電路布局的同時改善導線長度和布線能力。但是，由于布線和放置是一個非確定性多項式(NP)難題，因此嘗試每個選項在計算上是不可行的，并且現(xiàn)有的啟發(fā)式方法可能會漏掉許多可路由性的細微之處。

 

通過采用機器學習模型，以布局為輸入，以路由性得分為輸出，可以潛在地創(chuàng)建一個更豐富、更快速的解決方案。EDA工具流可以生成多個候選布局，對每個候選布局進行路由，并以路由得分作為標記來訓練機器學習模型。與此類似，通過運行復(fù)雜的EDA流生成許多設(shè)計候選和結(jié)果的任何流都可以構(gòu)建模型，以預(yù)測來自先前步驟輸入的未來步驟的結(jié)果。這為在復(fù)雜的設(shè)計空間中找到更好的解決方案提供了更大的能力。

 

EDA提供了關(guān)鍵的計算軟件，可以設(shè)計和驗證復(fù)雜的智能系統(tǒng)。現(xiàn)在正在進行的新一代技術(shù)驅(qū)動程序?qū)碓S多新的創(chuàng)新設(shè)計。為了激發(fā)系統(tǒng)設(shè)計師的創(chuàng)造力，EDA工具將采用機器學習作為一項關(guān)鍵功能，以提高生產(chǎn)率。這將使設(shè)計流程能夠找到更好的解決方案，并允許設(shè)計流程自動針對設(shè)計人員和設(shè)計團隊進行自定義。因此，機器學習技術(shù)是未來的系統(tǒng)設(shè)計和平臺創(chuàng)建中的關(guān)鍵組成部分。

 

版權(quán)聲明：本文為企業(yè)網(wǎng)D1Net編譯，轉(zhuǎn)載需注明出處為：企業(yè)網(wǎng)D1Net，如果不注明出處，企業(yè)網(wǎng)D1Net將保留追究其法律責任的權(quán)利。