机器学习应用到芯片

的竞赛已经开始,以求找出如何应用分析,数据挖掘和机器学习的一大片的细分市场和应用程序,和其他地方都更为明显比在半导体设计和制造。

ML / DL /人工智能的关键是了解设备的反应真实的事件和刺激,以及未来的设备可以优化。不断扩大,需要筛选的数据量和使用自动化识别复杂的模式,异常,效果最好。

“我们已经收集数据,我们用来发展我们自己的方法,”Mike Gianfagna说,负责营销的副总裁eSilicon。“今天的回忆,我们看一下设计,记忆,和模型不同的内存配置。您可以运行模型对真正的实现。我们用一个通用的内存模型参数化,将其映射到实际内存中。我们还看人力和时间从以前的设计,和做同样的计算资源和EDA的许可。如果你只拥有12000 cpu和你需要24000,你需要使用一个基于云的解决方案,泡沫。但这不会很快发生。你需要计划,很多记忆。”

这仅仅是开始的一波又一波的活动减少设计周期和减少潜在的问题基于经验。

“整个行业正在学习如何使用人工智能和构建和调试系统机器学习营销副总裁说:“迈克尔•Sanie验证小组Synopsys对此。“有很多建模和模拟的堆栈可以用于人工智能算法。这里的目标是使用人工智能工具以及以外的工具。”

在很大程度上,这是一个多么复杂的系统级设计的识别已从其他工具变得更加需要帮助的工具。

“现在,EDA生态系统工作机器学习,我们试图找出如何使用较大的验证问题,可以帮助我们回到,“这不是我10晶体管工作在早期,”“营销总监史蒂文•刘易斯说节奏。“我很好。这10亿个晶体管组成的记忆。如何路由,路由的物理布局。什么是电路布局的最佳方式,将这些组件?总是有点的机器学习任务。我们不称之为机器学习,但这是真正的算法,我们都试着发展找出最好的方法是。如果你能开始使用特定的拓扑结构,如果你开始理解方式7纳米晶体管的行动和行为,你知道很多,所以您可以使用更好的判断,当你开始将它们,当你开始路由,当我们开始分析他们。”

前一段时间,芯片制造商开始推动六西格玛设计,但他们停止讨论一旦达到复杂的模拟要求的数量达到6σ质量开始太长了。但与汽车制造商的要求没有缺陷电子,谈论六西格玛已恢复,唯一的方法是在合理的时间内利用机器学习。

“使用机器学习,我可以计划在晶体管的行为,所以我不需要跑1000万模拟,从统计学的角度来说,”刘易斯说。“我可以使用算法和机器学习技术来确定我需要最少的模拟运行,但它仍然让我我寻找的准确性。如果我可以计划更多的算法,如果我可以计划更多的行为到我的工作。然后我可以把数据和做一个好工作。这就是机器学习可以帮助我们。”

这是发生在设计世界已经在某种程度上,但它的使用会在未来显著增长。

“这项技术允许您做的是探索的人比以往任何时候都更可能在过去,“泰Garibay说,首席技术官ArterisIP。“你可以使用这种技术来找出漏洞。如果你仍然不能证明什么,你可以让它成为敌对的。与传统形式的功能安全,你把两个相同的东西,这是你所看到的在汽车制动系统、发动机控制、安全气囊控制。但随着驱动线,基本上你创建一个服务器在车里。你巩固功能系统和交流线。一架777飞机,今天,但是有很大的成本/功能的差异。使这项工作在车里我们需要开发新技术和找出如何应用它们,并替换技术,在过去是可验证的,但太贵而缓慢的。”

堆积如山的数据
这将需要筛选大量的数据。

“在硅谷几乎每个人都擅长获得某种形式的数据,“说Anush莫汉达斯·,营销副总裁和业务发展NetSpeed系统。“人很好的是那些经过链,并明白链的数据从认识到行动。我们把情报回我们的设计环境和IP。机器学习的一个方面。”

莫汉达斯·表示,利用机器学习的一个关键方面涉及矿业数据在第一时间。“什么是你使用的训练数据,它有多宽?有偏见吗?你是偏向一种设计或另一个吗?我们花了很多时间训练设置速度和没有任何偏见。第二个方面是一旦你得到数据,如何把它变成洞察力?第三是我们机器的学习环境。如何驱动行动,无论是我们的设计策略,以及我们如何推动行动,我们的客户?当你生成数据,特别是如果你在一个机器学习引擎,数据爆炸的大小。你不是看着成百上千的线。 You’re looking at millions of lines. So suddenly just looking at graphs of a million things won’t make any sense, so you’re trying to cluster and look at trends.”

一个非常实用的上下文中使用机器学习数据挖掘是寻找异常。

“我们已经做了很多当地智慧出来是高价值,好的内容,“据鲁珀特•贝恩斯公司的首席执行官UltraSoC。“今天主要意味着一个工程师看着它,阅读它,并绘图。在某种程度上,她会说,“看起来很奇怪,”和一些脚本运行,试图找出为什么它看起来很奇怪。”

这可以帮助加快帮助他们找到一个工程师的努力下,调用项目他们的注意力可能突然改变了的行为模式。

“这可能是类似的,在相机应用程序中,像素不改变,”贝恩斯说。“你说,看起来很奇怪。“你期望像素改变。这可能意味着有一个相机失败,被困在。它可能是一个安全应用程序在一个特定的过程从来都不是应该访问安全的内存,它试图这样做,和异常探测器会说,‘这不是正确的,就会发出警报。的最后一个优点就是我们将发出警报。就像一个防盗报警器。如果晚上有人在外面踱来踱去你的房子,你有一个光传感器,它将检测到它们移动,打开一盏灯,就会发出警报——即使他们没有真正试图闯进来。即使你的锁还是完美的工作,他们不能进入这所房子,你知道有人尝试。这是一个额外的安全层之上TrustZone OmniSecure或者你什么。”

毫升和仿真
使用机器学习的另一个领域是确定如何如果它是可重复的模拟运行,或者如果它是相对于其他模拟器。这适用于生产测试,结果需要相关逐周期,信号通过信号。

“机器学习的挑战是你放弃人类控制的东西的能力,”马克说克拉产品营销经理导师,西门子业务。“这是重点。如果我运行仿真在我千cpu使用毫升技术便携式刺激,它将产生一组结果基于设计反应的方式,因为它可以从设计的反应。但假设我跑了几个小时后,我们发现两个错误的设计,我们设计的设计师和他们解决以太网阻止或解决织物仲裁方案,并再次运行仿真。如果您再次运行仿真使用机器学习,你不会得到相同的结果。你不会得到精确相同的cycle-to-cycle相关,因为设计的表现不同,应该是因为他们固定。然而,这将导致大量的不确定性和工程师,因为他们说他们想要运行相同的刺激,在相同的条件下,事实是你改变了设计。正因为如此,我们把一个开关在我们的一些技术,可以基本上关闭机器学习能力的一部分,以便它可以运行在一个模仿模式之前做过的东西。与此同时,有一些尖端客户满意这一概念和使用完整的能力。”

与设计团队运行仿真,这进入off-the-chip指标的数据挖掘。这里,是有用的在导师和内部客户是一个名为詹金斯的开源软件生态系统。“现在这是一个非常热门的话题,每个人都喜欢它,因为它是免费的,”克拉说。”但这不是完全免费的,因为即使它是一个开源生态系统,你必须投资作为一个用户来提供集成。我们把大量的投资将我们的系统集成到詹金斯环境”。

詹金斯的主要优势之一就是它能够像一个触发器,他说。“你可以有一个定时触发,当每个人都说星期五晚上回家,有10000个台式电脑闲置,让我们使用它们。所以周五晚上9点,开始回归无论是否需要运行。这是免费的。然后一旦回归的结果运行完成,我们能把所有的结果,将其发送回詹金斯,现在可以把电子邮件的一些工程副总裁的桌子上时出现在周一早晨,它说,“一个好消息,我们运行了800小时的模拟和没有失败。其他发生的触发,而不是基于挂钟,它是基于条件。例如,如果有一个特定的代码更改设计,它可以开始回归。或每次修改一个文件。你可以自动说在一天结束的时候,在每天晚上8点,如果超过三个文件已经修改后的白天,然后启动一个回归。”

这会产生回归后跑后运行以及随之而来的大量的数据。这不是事务数据。这不是关于巴士确认或获取芯片或实际发生的事情。相反,它是模拟的结果,如发现错误,覆盖率达到,周期运行。但从那里的一个问题是,有必要弄清楚如何结合多种类型的数据,并将它们放入到一个大型数据库,可以开采。

“如果我跑10000 cpu,我看那,找出在全球分布的仿真农场有多少工作是冗余的和无用的,有机会,我下次可以实现相同的工作量5000 cpu而不是10000吗?当然,从来没有人这样。他们实际上做的是双重的工作量和仍在使用10000年但现在他们能够扩大范围,”克拉说。

解决大问题
高级组研发主管David白色调子,他一直致力于机器学习自1990年代初以来,“和共同撰写的第一个机器学习的教材。他说这是一个有趣的工具集来对特定的方面的问题。“2009年前后,我正与越来越多的客户,我开始看到相同类型的问题越来越糟了。在三个主要领域的问题。首先是规模。我们面对越来越大的设计,更多的设计规则,更多的限制,结果就是越来越多的数据。无论是模拟数据,提取数据,处理越来越多的形状和几何图形,更大的技术文件,我们开始变得越来越重的数据。现在你有更复杂的设计和电气规则,有更多的芯片之间的相互作用,包和董事会,热正在成为一个问题,现在的复杂性以及总规模增长。第三,这两种开始影响半导体设计团队的生产力,因为规模和复杂性创造越来越多的不确定性,从而导致更多的重新设计,错过时间表等。”

这些问题的核心,是行业的处理更多的数据驱动的问题,这需要数据驱动解决方案,怀特说。再次,关键是让数据格式,可以使用数据挖掘。“我们的任何实现或解决方案,使用机器学习使用某种形式的前端分析和数据挖掘,机器学习优化,和某种形式的并行化,”怀特说。“通常情况下,人们会把机器学习,尽管他们之间的墙壁有些液体。”

编者斯珀林对此报道亦有贡献。

有关的故事
深度学习传播
更好的工具,更多的计算能力,和更高效的算法正在推动这项技术成为主流。
增长数据缓冲的作用
随着数据流的继续膨胀失控,管理数据的处理变得越来越重要,更加困难。
机器学习越来越多的分歧
这个行业走向另一个机器学习的硬件/软件划分?双方有不同的目标。
机器学习EDA挑战
许多任务在EDA可以完美的机器学习的目标,除了训练数据的缺乏。这可能会改变修复什么?