侵权投诉
当前位置:

OFweek电子工程网

开发工具/算法

正文

机器学习在EDA领域戏份渐重 开启新应用途径

导读: 安谋技术服务团队工程分析总监Bryan Dickman表示,RTL验证创造了大量资料,这正在成为一个巨量资料问题,安谋从事许多关于程序错误的分析,藉由方法论及设计领域寻找程序错误。

机器学习(ML)技术开始逐渐在全球电子设计自动化(EDA)领域扮演要角,在2017年设计自动化会议(DAC 2017)上超过2成报告甚至是与机器学习技术相关,不过机器学习应用仍未均匀分布,其中资料近用即为一大课题,而安谋(ARM)自2年前开始在芯片设计上进行关于程序设计错误的大量分析,发现机器学习技术有助于实现无程序错误的芯片开发,这似乎也开启了运用机器学习技术协助芯片设计的新应用途径。

根据New Electronics网站报导,安谋技术服务团队工程分析总监Bryan Dickman表示,RTL验证创造了大量资料,这正在成为一个巨量资料问题,安谋从事许多关于程序错误的分析,藉由方法论及设计领域寻找程序错误。

安谋自2年前开始决定调查其团队进行硬件设计的方法,透过为云端运算开发的工具,安谋如今从该公司每日运行的数千项测试及模拟产生的各项结果进行仔细检查,以求寻找出模式。Dickman指出,如何从安谋平日进行的大量验证中寻找到程序错误值得关注,并可思考如果进行过大量验证周期,但却没有发现任何程序错误时,是否这些采用的验证周期都没有使用的价值。

至今重点一直在如何打造视觉化工具协助工程师分析模式,下一阶段则是要打造能够从资料中学习的工具,如Dickman表示,安谋正在研究如何采用机器学习算法,并将机器学习算法应用于资料上,之后再设计可预测的工作流程以提高生产力。

目前RTL验证团队以机器学习方法进行验证看到的一个成功领域,在于安谋设计人士所忧心的消除部分无价值验证周期上。另一个机器学习技术具有影响性的领域则在产量分析上,如机器学习能够在芯片密度设计上预测几何的类型,因这可能导致芯片制程中微影及其它制程的失败,进而导致生产良率下降,因此若能透过机器学习技术稍微提升良率几个百分点,将能够创造显著的经济效益。

NVIDIA资深工程总监Ting Ku于本届DAC会中指出,当谈到机器学习时,多数人会认为机器学习是与神经网络相关的技术,不过资料却不需要以神经网络来模型化;芯片设计云端运算先驱厂商Plunify共同创办人Kirvy Teo指出,在这块领域的机器学习本质与在Google看到的不同,神经网络在多个资料点上运行得非常好,不过是在处理数千个资料点,而非处理达数十亿个资料点。

Solido公司执行长Amit Gupta表示,过去7年来该公司一直专注于变化感知设计用机器学习技术开发上,并正将之拓展至其它领域,首个领域即特征化,但也面对到有客户对于将此扩充至EDA范围内其它领域的需求性;高通(Qualcomm)技术资深总监Sorin Dobre也提到将机器学习扩充应用至更多在实体设计等级所需的任务,表示在10纳米及7纳米高通看到许多制程的变化,必须横跨多个制程工艺角(process corner)来进行验证。

实体验证团队目前面临的问题,在于温度、晶体管速度及电压结合的数量,团队表示,问题出在如何在制程工艺角未扩张下获得良好的质量结果。机器学习能够提升生产力达10倍以上。

下一个阶段则在于试图跨专案重复利用机器学习技术,这是减缓在RTL验证中采用资料采矿及机器学习技术进程的一项阻碍。

声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

我来说两句

(共0条评论,0人参与)

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号