本文摘要：机器学习(ML)技术开始渐渐在全球电子设计自动化(EDA)领域扮演着要角，在2017年设计自动化会议(DAC2017)上多达2成报告甚至是与机器学习技术涉及，不过机器学习应用于仍并未均匀分布，其中资料近用即为众多课题，而安谋(ARM)自2年前开始在芯片设计上展开关于程序设计错误的大量分析，找到机器学习技术有助构建无程序错误的芯片研发，这或许也打开了运用机器学习技术帮助芯片设计的新应用于途径。

机器学习(ML)技术开始渐渐在全球电子设计自动化(EDA)领域扮演着要角，在2017年设计自动化会议(DAC2017)上多达2成报告甚至是与机器学习技术涉及，不过机器学习应用于仍并未均匀分布，其中资料近用即为众多课题，而安谋(ARM)自2年前开始在芯片设计上展开关于程序设计错误的大量分析，找到机器学习技术有助构建无程序错误的芯片研发，这或许也打开了运用机器学习技术帮助芯片设计的新应用于途径。根据NewElectronics网站报导，安谋技术服务团队工程分析总监BryanDickman回应，RTL检验建构了大量资料，这正在沦为一个巨量资料问题，安谋专门从事许多关于程序错误的分析，藉由方法论及设计领域找寻程序错误。安谋自2年前开始要求调查其团队展开硬件设计的方法，利用为云端运算研发的工具，安谋如今从该公司每日运营的数千项测试及仿真产生的各项结果展开仔细检查，借此找寻出有模式。Dickman认为，如何从安谋平日展开的大量检验中找寻到程序错误有一点注目，并可思维如果展开过大量检验周期，但却没找到任何程序错误时，否这些使用的检验周期都没用于的价值。

至今重点仍然在如何打造出视觉化工具帮助工程师分析模式，下一阶段则是要打造出需要从资料中自学的工具，如Dickman回应，安谋正在研究如何使用机器学习算法，并将机器学习算法应用于资料上，之后再行设计可预测的工作流程以提升生产力。目前RTL检验团队以机器学习方法展开检验看见的一个顺利领域，在于安谋设计人士所忧虑的避免部分无价值检验周期上。另一个机器学习技术具备影响性的领域则在产量分析上，如机器学习需要在芯片密度设计上预测几何的类型，因这有可能造成芯片制程中微影及其它制程的告终，进而造成生产良率上升，因此若能利用机器学习技术略为提高良率几个百分点，将需要建构明显的经济效益。

NVIDIA资深工程总监TingKu于本届DAC不会中认为，当谈及机器学习时，多数人会指出机器学习是与神经网络涉及的技术，不过资料却不必须以神经网络来模型化；芯片设计云端运算先驱厂商Plunify联合创办人KirvyTeo认为，在这块领域的机器学习本质与在Google看见的有所不同，神经网络在多个资料点上运营得十分好，不过是在处置数千个资料点，而非处置约数十亿个资料点。Solido公司执行长AmitGupta回应，过去7年来该公司仍然专心于变化感官设计用机器学习技术开发上，并于是以将之扩展至其它领域，首个领域即特征化，但也面临到有客户对于将此扩展至EDA范围内其它领域的市场需求性；高通(Qualcomm)技术资深总监SorinDobre也提及将机器学习扩展应用于至更好在实体设计等级所需的任务，回应在10纳米及7纳米高通看见许多制程的变化，必需跨越多个制程工艺角(processcorner)来展开检验。实体检验团队目前面对的问题，在于温度、晶体管速度及电压融合的数量，团队回应，问题出有在如何在制程工艺角并未扩展下取得较好的质量结果。机器学习需要提高生产力约10倍以上。

下一个阶段则在于企图横跨专案反复利用机器学习技术，这是减慢在RTL检验中使用资料矿业及机器学习技术进程的一项妨碍。

本文来源：大发BET-www.parisestmontreuil.com