數(shù)據(jù)挖掘和機器學(xué)習(xí)對芯片有著怎樣的要求

機器學(xué)習(xí)/深度學(xué)習(xí)/人工智能（ML/DL/AI） 需要篩選越來越多的數(shù)據(jù)，通過自動化來識別復(fù)雜模式、異常情況以及找到適當(dāng)?shù)奈恢谩砹私庠O(shè)備如何對真實事件和刺激作出反應(yīng)，以及如何優(yōu)化未來設(shè)備。下面跟朗銳智科（www.lrist.com）嵌入式開發(fā)小編一起來看看。

目前的存儲器，我們看的是設(shè)計、內(nèi)存以及對不同的內(nèi)存配置建模。你可以在它上面運行模型與真實應(yīng)用作比較。所以我們采用參數(shù)化的通用內(nèi)存模型并將其映射至實際內(nèi)存。我們也可以從之前的設(shè)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。

整個行業(yè)正在學(xué)習(xí)如何使用人工智能和機器學(xué)習(xí)來構(gòu)建和調(diào)試系統(tǒng)。有許多關(guān)于何種堆?？梢杂糜贏I算法的建模和模擬，這里的目標(biāo)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(shè)計和復(fù)雜程度的認(rèn)識，即使這些工具需要其它工具的幫助。

現(xiàn)在，隨著EDA生態(tài)系統(tǒng)在機器學(xué)習(xí)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’。構(gòu)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(xué)習(xí)任務(wù)的一部分。然而我們不把它稱為機器學(xué)習(xí)，但它確實是我們試圖找出最佳方法的算法的一部分。

前段時間，芯片制造商開始推動六西格瑪設(shè)計（six-sigmadesigns），但是一旦復(fù)雜到一定程度，達到要求的六西格瑪質(zhì)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(chǎn)品的需求，又掀起了關(guān)于六西格瑪?shù)挠懻摚诤侠淼臅r間內(nèi)實現(xiàn)這一目標(biāo)的唯一方法就是利用機器學(xué)習(xí)。

通過機器學(xué)習(xí)，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(xué)習(xí)技術(shù)來保持一定精度的條件下確定需要運行的最少模擬次數(shù)。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(shù)據(jù)的同時還保證工作的質(zhì)量。這就是機器學(xué)習(xí)可以幫助我們的地方。

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

來源：朗銳智科