加利福尼亞州圣克拉拉——九家公司和三所大學已經開展了一項研究工作，看看機器學習是否可以解決電子設計中一些最棘手的問題。該中心是整個行業(yè)試圖利用新興技術的眾多努力之一。
與科技領域的許多想法一樣，“這一切都始于一個下午的咖啡店，”機器學習高級電子中心 (CAEML) 主任 Elyse Rosenbaum 說。
“我們面臨著共同的問題。我們需要跨越電遷移和電路領域的行為模型，但不知道如何獲得它們，因為同事們對不同的應用感興趣，”羅森鮑姆在 DesignCon 活動的主題小組討論中說。
“我們知道我們不會為一個特定問題獲得資金，因此我們決定我們需要解決所有這些問題，與其他大學聯(lián)系，共同研究非常適合在電子產品中使用的不同機器學習技術和算法，”她說。
這項工作得到了美國國家科學基金會以及九家公司的支持：Analog Devices、Cadence、Cisco、Hewlett-Packard Enterprise (HPE)、IBM、Nvidia、Qualcomm、Samsung 和 Xilinx。該中心由伊利諾伊大學厄巴納-香檳分校、北卡羅來納州立大學 (NCSU) 和佐治亞理工學院聯(lián)合主辦。
到目前為止，該小組已經確定了感興趣的領域，包括高速互連、電力傳輸、系統(tǒng)級靜電放電 (ESD)、IP 內核重用和設計規(guī)則檢查。Rosenbaum 的研究團隊將探索使用循環(huán)神經網絡來模擬電路的 ESD 特性，以便系統(tǒng)首次通過資格測試。
她說：“我們希望對無法使用現(xiàn)有技術的現(xiàn)象進行建?！缫蕾囉诠╇娋W絡和多核交互的 ESD 特性”。
障礙之一是找到將神經網絡預測限制為物理有效輸出的方法。她說，總的來說，研究人員需要仔細構建機器學習過程中的每一步，從獲取良好的訓練數據到選擇候選模型、訓練它們并驗證它們的結果。
“我們通常創(chuàng)建的大多數都是具有預期輸出的判別模型，[但機器學習創(chuàng)建]生成模型 [that] 給出輸入和輸出之間的概率——這對于諸如芯片制造差異之類的統(tǒng)計問題很有用，”她補充道。
HPE 存儲部門的杰出技術專家 Chris Cheng 舉了幾個他想應用機器學習的領域的例子。例如，他預計芯片供應商將在未來提供交互式組件模型，因為神經網絡工程師可以通過云服務進行測試和訓練。
Cheng 還建議，可以使用機器學習將渠道分析作為云服務來處理。此外，他勾勒出將神經網絡嵌入到動態(tài)學習均衡技術的示波器中的想法。
Cadence 已經在嘗試利用機器學習來突破芯片設計中的棘手問題，該公司 Virtuoso 模擬設計工具的研發(fā)高級總監(jiān) David White 說。機器學習可以提供處理高級節(jié)點設計規(guī)則和大型芯片設計增加的方法。
White 描述了一種未來的工具，它可以在設計過程中就電遷移和寄生提取等問題提供反饋。他說，這種能力可以減少芯片設計人員今天循環(huán)的許多迭代循環(huán)。
NCSU 教授 Paul Franson 表示，一名學生已經使用機器學習將芯片布線的迭代次數從 20 次減少到 4 次。
下載文檔