過去一年來，機器學習實現(xiàn)先進電子研究中心（CAEML）又增加了四家新的合作伙伴。這個由13家業(yè)界成員和3所大學共同組成的研究團隊，目前正持續(xù)擴大其工作的廣度和深度。
惠與科技（Hewlett-Packard Enterprise；HPE）杰出技術專家兼CAEML成員Christopher Cheng說：“去年，我們主要關注于信號完整性和電源完整性，而在今年，我們將產(chǎn)品組合劃分為系統(tǒng)分析、芯片布局和可信任的平臺設計，讓研究的多樣性取得了最大的進展?！?
北卡羅來納州立大學（NC State University）杰出教授Paul Franzon表示：“貝葉斯（Bayesian）優(yōu)化和卷積神經(jīng)網(wǎng)絡（CNN）在可制造性設計（DFM）方面也顯著提升了功能，我們開始考慮在設計過程中使用同步學習?！北笨_來納州立大學就是CAEML的三所合作院校之一。
另一所與CAMEL合作的學校——喬治亞理工學院（Georgia Institute of Technology）教授Madhavan Swaminathan說：“我們面臨的挑戰(zhàn)之一是取得公司的數(shù)據(jù)。因為他們的大部份數(shù)據(jù)都是專有的，因此我們經(jīng)提出了幾種處理機制。這些過程目前都運作得不錯，但仍然比我們預期的更長得多?！?
CAEML在成立之初就獲得了亞德諾半導體（ADI）、楷登電子（Cadence）、思科（Cisco）、IBM、英偉達（Nvidia）、高通（Qualcomm）、三星（Samsung）和賽靈思（Xilinx）等九家廠商的支持，一開始感興趣領域包括高速互連、電力傳輸、系統(tǒng)級靜電放電、IP核心重用，以及設計規(guī)則檢查。 CadenceAIroadmapx800從Cadence描繪的發(fā)展藍圖來看，EDA產(chǎn)業(yè)目前開始進入AI應用的第二階段（來源：Cadence）
Cadence Design Systems等EDA供應商早在1990年代初就開始研究機器學習。Cadence研發(fā)部資深總監(jiān)David White表示，這項技術于2013年首次導入于其產(chǎn)品中，采用Virtuoso的一個版本，并利用分析和數(shù)據(jù)探勘為寄生參數(shù)擷取創(chuàng)建機器學習模型。
截至目前為止，Cadence已經(jīng)為其工具提供超過110萬種機器學習模型了，用于加速長時間的計算。下一個階段的產(chǎn)品開發(fā)就是布局與繞線工具，使其得以向人類設計師學習，并推薦可加速運轉(zhuǎn)時間的優(yōu)化方案。White解釋，這些解決方案可能結合使用本地和基于云端的處理，以利用平行系統(tǒng)和大型數(shù)據(jù)集。
機器學習技術與應用最新進展
Synopsys研發(fā)總監(jiān)Sashi Obilisetty表示，在先進工藝節(jié)點上，采用現(xiàn)有算法的全局繞線（global routing）工具已經(jīng)達到極限了，因此他們開始降低芯片數(shù)據(jù)速率，以實現(xiàn)時序收斂。
她補充說，臺積電（TSMC）去年使用機器學習預測全局繞線，使得速度提高了40MHz； Nvidia則用機器學習來提供芯片設計的全面覆蓋，同時減少模擬。
參加這場專題討論的專家們說，他們看到了業(yè)界存在著使用各種機器學習技術實現(xiàn)自動化特定決策和優(yōu)化整體設計流程的許多機會。
具體而言，研究人員正探索以更快速度的AI模型取代當今仿真器的機會。喬治亞理工學院的Swaminathan說，相對較慢的仿真器可能導致計時錯誤、模擬電路失調(diào)，以及導致芯片重新流片（respin）的建模不足等問題。此外，機器學習可以取代IBIS在高速互連中進行行為建模。
除了由亞馬遜（Amazon）、Google和Facebook圖片搜索和語音識別服務推廣的神經(jīng)網(wǎng)絡模型以外，芯片研究人員也使用了數(shù)據(jù)探勘、統(tǒng)計學習和其他工具。
北卡羅來納州立大學的Franzon則報告使用代理模型，在4次迭代中實現(xiàn)最終實體設計優(yōu)化，相形之下，工程師還必須進行到20次。類似的技術被用于校準模擬電路，并為多信道互連設置收發(fā)器。 FranzonIterationsx800研究人員展示代理模型在4次迭代中的表現(xiàn)，可望取代人類設計師（20次）（來源：NC State University）
AI可以在EDA工具（有時是指旋鈕）中設置幾十種選項，協(xié)助加速自動化過程。Franzon說：“這些工具設置了一些有時候定義不清的旋鈕，經(jīng)常與預期結果之間的關系模糊?！?
HPE目前則結合使用神經(jīng)網(wǎng)絡和超平面分類器，依據(jù)固態(tài)硬盤（SSD）的電壓、溫度和電流等數(shù)據(jù)現(xiàn)場預測故障情形。
Cheng說：“訓練所需的數(shù)據(jù)量龐大。到目前為止，分類器都是靜態(tài)的，但是我們希望增加使用遞歸神經(jīng)網(wǎng)絡（RNN）的時間維度，以取代僅用好/壞標簽，那么我們將會有故障時間（time-to-failure）的標簽。未來，我們還希望將這項工作擴展到更多的參數(shù)以及一般的系統(tǒng)故障?！?
