EDA的CAEML增長幅度更為明顯。

　　根據(jù)DesignCon大會上的一項小組討論，各供應(yīng)商與研究人員正在將機器學習應(yīng)用于棘手的芯片設(shè)計難題，并已經(jīng)取得重大進展。在EDA當中使用人工智能已經(jīng)成為一項熱門議題，并有多篇論文以此為核心展開探討。

　　過去一年以來，機器學習先進電子中心(簡稱CAEML)已經(jīng)迎來四位新的合作伙伴。這支擁有13位行業(yè)成員以及3所大學的團隊正快速擴大其研究工作的深度與廣度。

　　CAEML成員蒹 HPE公司杰出技術(shù)人員Christopher Cheng表示，“去年，我們主要關(guān)注信號完整性與功率完整性。但在今年，我們將自身產(chǎn)品以多樣化方式組合為系統(tǒng)分析、芯片布局與值得依賴的平臺設(shè)計方案，并借此在多樣性研究方面取得了重大進展。”

　　北卡羅萊納州大學(三所合作高校之一)杰出教授Paul Franzon亦指出，“立足設(shè)計與制造訴求進行的貝葉斯優(yōu)化與卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建，已經(jīng)顯著提升了我們所需要的能力，而我們也開始考慮在設(shè)計流程當中使用內(nèi)聯(lián)學習機制?！?/p>

　　喬治亞理工學院(另一所合作高校)教授Madhavan Swaminathan指出，“我們所面臨的核心挑戰(zhàn)之一，在于獲取企業(yè)數(shù)據(jù)。他們的大部分數(shù)據(jù)為專有屬性，因此我們已經(jīng)提出了多種加以處理的機制。這些流程運作狀態(tài)良好，但長度超出了我們的預期?！?/p>

　　在去年的會議上，該小組也同樣出席現(xiàn)場。最初其擁有Analog Devices、Cadence、思科、IBM、英偉達、高通、三星以及Xilinx等九家企業(yè)的支持，且初步發(fā)展目標主要包括調(diào)整互連、電力傳輸、系統(tǒng)級靜電放電、IP內(nèi)核復用以及設(shè)計規(guī)則檢查等。

　　Cadence勾勒出的發(fā)展路線圖，表明EDA行業(yè)正在AI技術(shù)使用的第二階段。圖片來源：Cadence。

　　Cadence Design Systems等EDA供應(yīng)商早在上世紀九十年代就開始研究機器學習技術(shù)。Cadence公司研發(fā)部高級總監(jiān)David White表示，這項技術(shù)于2013年被首次配合Virtuoso版本引入實際產(chǎn)品，其利用分析與數(shù)據(jù)挖掘為寄生參數(shù)提取創(chuàng)建機器學習模型。

　　到目前為止，Cadence公司為其工具提供了110多萬套機器學習模型，旨在加快計算速度。產(chǎn)品開發(fā)的下一階段是幫助布置與路由工具從人類設(shè)計師身上學習經(jīng)驗，從而推薦優(yōu)化思路以加快開發(fā)周期。White解釋稱，這類解決方案可能將同時結(jié)合內(nèi)部與云端處理資源，從而充分發(fā)揮并行系統(tǒng)與大規(guī)模數(shù)據(jù)集的全部優(yōu)勢。

　　Synopsys公司研發(fā)總監(jiān)Sashi Obilisetty則指出，在先進制程節(jié)點方面，全局路由工具即將觸及現(xiàn)有算法的上限——這意味為了縮短時序收斂時間，芯片數(shù)據(jù)速率將有所下降。

　　以臺積電為例，去年該公司所使用的機器學習預測技術(shù)將全局布線速度提高了40 MHz。她同時指出，英偉達方面也已經(jīng)利用機器學習技術(shù)實現(xiàn)芯片設(shè)計的全面覆蓋，同時降低模擬任務(wù)量。

　　小組成員們表示，他們發(fā)現(xiàn)機器學習技術(shù)在以自動化方式作出特定決策以及優(yōu)化總體設(shè)計流程方面，確實擁有相當可觀的潛力。

　　具體而言，研究人員們正在探索如何以更快速度運行更高數(shù)量級的AI模型，從而取代現(xiàn)有模擬設(shè)計方案。喬治亞理工學院的Swaminathan表示，相對較慢的模擬設(shè)計工具會導致計時錯誤、模擬電路失調(diào)，并可能在芯片重新運轉(zhuǎn)時引發(fā)建模失效。除此之外，機器學習技術(shù)還能夠取代IBIS在調(diào)整互連體系下實現(xiàn)行為建模。

　　除了Amazon、谷歌以及Facebook提供的圖片搜索與語音識別服務(wù)用神經(jīng)網(wǎng)絡(luò)模型之外，芯片研究人員們還在嘗試使用數(shù)據(jù)挖掘、統(tǒng)計學習以及其它工具。

　　北卡羅萊納州大學的Franzon報告稱，其使用的代理模型能夠在四次迭代后完成最終物理設(shè)計優(yōu)化，而人類工程師則需要20次才能完成同樣的任務(wù)。類似的技術(shù)還被用于校準模擬電路并為多通道互連設(shè)置收發(fā)器。

　　研究人員們展示了其代理模型如何以4次迭代達成人類設(shè)計師20次迭代才能完成的效果。圖片來源：北卡羅萊納州大學。

　　AI技術(shù)能夠在EDA工具當中設(shè)置數(shù)十種選項——亦被稱為“旋鈕”，從而實現(xiàn)流程自動化。Franzon解釋稱，“這些工具有時候會設(shè)置一些模糊不清的含義，其與預期結(jié)果之間存在著難以直觀理解的關(guān)系?！?/p>

　　HPE公司目前也在利用神經(jīng)網(wǎng)絡(luò)與超平面分類器根據(jù)電壓、溫度以及電流數(shù)據(jù)預測現(xiàn)場固態(tài)驅(qū)動器的故障狀況。

　　Cheng指出，“相關(guān)工作所需的訓練數(shù)據(jù)量極大。到目前為止，各分類器皆為靜態(tài)類別，但我們希望能夠利用遞歸神經(jīng)網(wǎng)絡(luò)向其中添加時間維度。如此一來，除了單純的好/壞標簽之外，我們還能夠?qū)崿F(xiàn)故障時間標簽。展望未來，我們希望將這項工作的研究成果擴展到更多參數(shù)以及更為通行的一般性系統(tǒng)故障當中?！?/p>

　　工業(yè)控制系統(tǒng)邁向開放 你想好如何進行安全防范了嗎?