中文 英语

EDA拥抱大数据在人才危机

需要更高的生产率,以弥补人才短缺问题最后力量变化。

受欢迎程度

半导体行业的劳动力危机终于说服芯片设计者赌大钱大数据。

早在2016年,高管们不确定有一个大数据市场电子设计自动化的方法。第二年,利用大数据仍停留在起步阶段。2018年,半导体工程质疑为什么EDA行业不是投资于大数据和机器学习。

从那时起,芯片设计已经越来越复杂,数据密集型,许多组织已经很难找到足够的工程师。来弥补人才缺口,EDA部门已经打赌数百万美元减少产品和服务旨在帮助设计工程师完成更多的工作,往往通过使用人工智能这是美联储大量的数据。

人工智能可以找到模式和有效地使用它们速度和数量远远大于人类同行。这样做需要利用大数据和使用技术机器学习深度学习训练人工智能检测相关的模式。这个过程经常需要一个复杂的硬件设计,长时间对人类工程师。具有讽刺意味的是,这些设计可以用于燃料的生产力工具,会使设计过程更有效率。换句话说,AI创建一个问题当很难找到好的工程师,同时也作为一个潜在的解决方案。

人类仍在芯片设计过程的一个重要组成部分。该行业的长期劳动力短缺的担忧加剧了的了科技和汽车巨头争夺相同的候选人。与此同时,放缓摩尔定律意味着工程师必须开发更复杂的解决方案来提高芯片的性能,而不是简单地减少组件,一个过程,需要越来越多的利基从工程师技能本身。所有这一切都发生在一个全球芯片及晶片短缺,虽然前所未有的需求驱动行业的方向1万亿美元的收入的十年。

几家公司说大数据可以帮助通过数字设计工程师更有效率。同时,行业人士认为,解决劳动力问题长期需要系统性的改变,技术不能解决。

不过,高级产品营销经理马克·理查兹Synopsys对此指出,生产率增长在正确的时间轴可以创建有意义的改变。

“这就像在你的银行账户复利,”理查兹说。“即使很小的效率可以化合物随着时间的推移,特别是如果你能使每一个工程师在公司更有效率。然后你就可以开始解决这些洞没有足够的工程师或没有足够的有经验的工程师。很多宏观经济变化需要20年的管道。这种技术可以让大家更有效的今天和帮助现在发生的短缺。”

然而,首席营销官鲁珀特•贝恩斯Codasip说,这不是关于数据。“这对更有效率的工具。数据是惰性的,所以你需要人们处理数据告诉你一件事:信息。但是,如果你没有足够多的人,你需要聪明的工具。一些工具可以统计和分析数据。但有些可以使用前期的发展更有效率。”

贝恩斯指出,引人注目的是,软件世界没有相同的人才危机。“世界软件增加了更有效的工具的使用和管理它的硬件。20年前人们对C和汇编语言编写代码。现在他们使用更丰富的语言,比如Haskell, Scaka,或者生锈。20年前人们在Verilog设计芯片。他们依然如此。系统Verilog是一个进步,但是小。”

他相信新一代的工具和语言需要像软件世界,增加效率,缓解人才短缺。“数据本身不会有帮助。实际上很容易淹没在愚蠢的数据时,我们需要向相反的方向移动。向上移动堆栈,给了我们知识的工具。艾略特经常引用”,生活中我们失去了在哪里?智慧我们失去了知识在哪里?我们已经失去的知识信息在哪里?”

罗迪厄克特、高级营销主任Codasip说这就是为什么RTL综合是一个突破在90年代早期和处理器设计自动化。”另一个数据是它的质量而不是数量。当考虑处理器的验证人倾向于认为测试向量的体积是唯一重要的。然而这可能是用随机测试适得其反”。

设计是一个政党,设计一辆汽车
什么EDA和美国比萨连锁餐厅和一个拟人化的鼠标吉祥物吗?理查兹说,在他们最好的,大数据数字化设计工具是相当于提供一站式儿童生日派对。“在这些地方,你有一切你需要有一个伟大的政党——游戏,盘子,表。你可以玩得开心,做你需要做的事。同样,这是一个开箱即用的方式设计。”

图1:总结EDA行业所面临的种种困难,根据客户Synopsys对此。来源:Synopsys对此

图1:总结EDA行业所面临的种种困难,根据客户Synopsys对此。来源:Synopsys对此

查克芝士店不一样没有疲惫的父母寻找一种简单的方式来举办一个事件,Richards说Synopsys对此已经有几个行业挑战在发展新产品。首先,是设计师的关注越来越短缺生产力随着设计和系统变得越来越复杂。其次,设计过程的不透明性很难跟踪和改善。最后,内部发展中解决这些问题需要更多的资源和分散了公司的主要任务是要完成的。

这些问题的答案,据理查兹,结合大数据,涉及机器学习、人工智能和分析技术来创建一个“机器intelligence-guided的方法设计。我们试图让工程师更聪明,向他们提供他们需要的数据更有效地做出决策。我们把大数据所生成的所有不同的点工具,和找到所有的东西工程师找不到非常有效,因为他们没有时间去找到这些模式。你可以现在说,设计团队往往困了六个星期都下来RTL”。它开始给你大如何改进过程。”

理查兹说,这种类型的技术对汽车和空间探索等领域有趣的影响。

“数据驱动的决策是人,”他说。“你可能会发现在五年内,数据具有巨大的价值,但是你不会知道,除非你保存它。最终,这将影响更大的系统与更大金额的不仅仅是做一个小物联网设备快一点。有机会让更大的系统更安全、更可靠。”

高级产品管理集团董事锦Kittrell数字&验收小组节奏表示,他认为人工智能设计工具在汽车方面。一端的频谱完全手动汽车。交付的其他完全自主车辆乘客安全抵达目的地,没有司机援助。“技术得到令人兴奋的向自治一方面,条件和高自动化。一旦你给的参数,可以一次运行成百上千的机器和数以百计的实验,而人类只能做两个或三个。”

等大数据推动生产力,这可能看上去很奇怪,这个行业没有预料到它将几年前在EDA扮演的角色。Kittrell说可能低估的人工智能的可能性。

“很多时候人们思考人工智能在图象识别方面,”他说。“在‘这里有12图片,告诉我哪一个是一只猫。”和照片你给它越多,越高的有效性决定哪一个是一只猫。人工智能的原理是大约60岁。但它只是在过去的十年左右,计算能力和存储赶上为了有意义的神经网络的概念,有足够的节点,等等,做一些有趣的事情。”

另一方面,这些技术的作用在短期内也会高估了。Kittrell说这些工具不可能完全取代人类工程师等复杂问题。

“半导体行业正在经历一个前所未有的发展阶段,需要工程师来跟上需求的大型团队,”他说。“有四个强劲增长向量在过去的五六年,这都是趋同的。有移动,已经存在了一段时间,但扩大5克。汽车增长与无人驾驶汽车技术。有hyperscalers像亚马逊使用非常具体的,定制的硅将复制所有他们在他们的数据中心服务器。然后有人工智能,更高效,更快如果你建立专门的硬件”。

将生产力工具,开发出必要的这种增长期间把人类设计师的工作吗?说这是不可能达成共识。

“我们需要更多的人类,”Kittrell说。“他们会做不同的事情比他们在做什么。”

建立人才库
专家在工业和学术界一致认为,大数据本身不太可能解决长期存在的劳动问题。足够先进的一个关键原因是,工具来解决复杂的问题工程师必须自己设计的团队,成熟的理解的问题。

部门是否EDA或别的东西,其他行业的劳工问题常用的解决方案包括致力于多元化和包容性的招聘实践,增加工资,教育和培训的投资。桑托什Kurinec,罗切斯特理工学院的教授说,一个全面的解决方案必须包括在k - 12教育的改进,以及当前员工“re-skilling”或“技能提升”。

“半导体产业依靠受过高等教育和有经验的电气工程师,化学工程师,物理学工程师,机械工程师,软件工程师继续推动半导体芯片的信封,不管是在技术或芯片设计过程,“Kurinec说。

鲍勃·史密斯的执行董事ESD联盟指出,虽然分析工具人工智能和机器学习是帮助设计者管理复杂性,复杂又继续增长。

“我会把这比作一个种族,这些工具帮助设计者在游戏,而不是减少了需要更多的设计师,”史密斯说。“事实上,这些工具需要专家设计师理解如何以及何时应用它们,并意识到当航向修正。大局是先进的工具是非常必要的,但是不减少需要继续建立人才库”。

高级主管马克•达席尔瓦半智能制造计划,同意史密斯这样的工具是“帮助和必要的,”但他们只能到此为止。“EDA +人工智能可能会提供额外的路径来提高芯片性能,”他说。“设计师和公司可以利用这些技术将获得的好处提高芯片性能通过挤出更多的对于一个给定的设计,做得更快。劳动力的教育和培训相关方面可能更为重要。”

human-vs很容易迷路。机器的争论。但大局大数据是,当与人工智能相结合,它能帮助增强人的决策,指出马修·霍根产品总监西门子数字行业软件

“我们看到的一件事,人工智能和机器学习的参数你需要投入这些系统非常具体,”霍根说。“挑战的一部分我个人认为这种自动化是如何量化的经验,或者我们称之为规范的空白,就像你没有指定一个销电压。但很明显一个设计师,在模拟或数字。所有这些学习属性,你捡起从一个新的毕业生,作为一个新手和有经验的项目和自信,很难转化为一个自动化的设计环境。还有要设计工程师作为功能性监管的需要,或如果你喜欢无厘头风格善良能够直接指导和这些系统在我们继续前进。通常的细微差别最大的区别。”



留下一个回复


(注意:这个名字会显示公开)

Baidu