人工智能和验证噪音;从汽车航空学;多体动力学仿真;优化生产流程。
在一个播客,西门子斯宾塞Acain讨论了人工智能和机器学习在集成电路验证和如何帮助解决噪声通过分析不同信号的诊断数据找出失败的真正根源。
Synopsys对此的土地和罗恩DiGiuseppe伊恩发现航天微电子应用课程的设计者和技术从汽车行业和突出高可靠半导体设计的三个关键支柱在这两个行业都适用。
抑扬顿挫的Vinod Khera指向的挑战在发现和修复罕见high-sigma设计失败和机器学习和先进的统计技术可以使早期,准确,比传统的蛮力和更快的产量估计蒙特卡罗模拟。
Ansys的Devashish Sarkar解释如何使用多体动力学仿真数字模型系统与许多相互关联的部分,有时涉及数百具尸体在不断变化的运动。
Keysight的蕾妮Morad指出一些常见问题全自动车辆提供一个清晰的行业走向,当新技术有望实现。
瑞萨的Hirofumi太介绍了深层神经网络(款)模拟器工具进行调试分析和精度提高模型在公司的R-Car SoC。
手臂的Saurabh普拉丹检查出的新Cortex-X4,该公司的新的高性能CPU,而Manish Pandey介绍了最新的Cortex-A核心和丹•威尔逊增加公司的股票GPU范围。
ESD联盟的鲍勃·史密斯聊天与Silvaco Babak a塔挑战的调优和优化半导体制造工艺和AI和数字双胞胎如何适用于减少时间和成本。
IBM的阿布塞巴斯蒂安,阿巴斯拉希米,Geethan Karunaratne介绍neuro-vector-symbolic架构使用记忆性模拟内存计算硬件实现创建一个谐振器网络的迭代,可以解决一个特定的因子分解问题,因素假设全息分布式表示。
迈威尔公司的亚斯Nayak认为DSP-based光学连接满足带宽需求是至关重要的,确保无缝AI簇内数据传输。
英特尔的詹妮弗Huffstetler提出了四项原则编写能源和低碳排放的软件。
不要错过最新的博客了系统与设计通讯:
技术编辑布莱恩•贝利警告说,一些修改软件会损坏硬件。
西门子奥姆普拉卡什概述了一种新的方法来安全地将数据从一个设备转移到另一个和显示数据的完整性是维持在一个加密的过程。
镍的乔伊桶显示一个公司的半导体测试策略是一个差异化的机会改变汽车的生态系统。
Expedera的保罗Karazuba显示了选择时需要考虑的一个加速器AI在一个不断变化的景观。
瑞萨的格雷姆•克拉克解释了为什么噪声成为一个更大的问题随着晶体管尺寸缩小和开关频率增加。
Synopsys对此的罗伯特·鲁伊斯集中在如何找到模拟回归失败的根源。
抑扬顿挫的Reela撒母耳如何生成人工智能在EDA工具可以提高设计空间探索。
Codasip的托Fridholm发现一个“数字耳”,可以检测和测量身体信号更精确地对医疗设备是一个福音。
Keysight的Hwee游泳唷深入挖掘新兴电池化学反应和为什么他们需要测试系统的灵活性和准备,以适应变化。
|
|
|
|
|
|
|
|
|
|
留下一个回复