在ML效果最好

学历Devgan,总统的节奏与半导体工程,坐下来,讨论机器学习EDA工具和内外,这将如何影响未来的芯片和系统设计。以下是摘录的讨论。

SE:你如何看待市场和使用机器学习塑造了?

Devgan:有三个主要areas-machine学习里面,外面机器学习,机器学习和基础设施。所有这些的关键是新的,再算法。这是三个“P的科学。有科学的地方,其中包括几何图形和底层数学。这是一个几千年的历史。第二个“P”是科学的速度,就像衍生品。这是微积分。很多我们最近数学微积分和几何的基础上,这是EDA和半导体设计。第三个是科学的模式。我们总是做的模式。人类的大脑模式。有在股票市场模式。美国有线电视新闻网所有这些相关的深度学习是一个新的方法模式分辨率,它已经非常成功地用于视觉和演讲。这是一个强大的新武器。速度和位置在很多行业已经成功。但新模式。而且,绝对是计算能力的改善,但卷积会非常强大。

SE:这些部件组合在一起?

Devgan:你不能只做基于模式的本身。你不能只是做机器学习。它必须是在所有三个。你仍然需要微积分和几何。但是这些的影响将是深远的,它可以持续数百年。这将是一样深远的改变。

SE:我们有模式识别很长一段时间,但它没有有效的,对吧?

Devgan:正确。没有比人类。现在我们至少可以匹配和超过。现在我们可以把模式,并将它们应用于算法。

SE:所以这是如何适合你的三个领域应用机器学习吗?

Devgan:如果你看看里面毫升,路由是一个非常颠覆性技术的时候第一个出来了。在路由之前,您将优化估计会发生什么。与机器学习更好。从用户的角度来看,没有什么变化,除了它给更好的PPA运行时。你使用不同的算法,但用户仍然看作为一个计时工具或place-and-route工具。

SE:这是结合数据挖掘的最好的所有角落,对吧?

Devgan:我们有测试用例,并通过模式我们可以学到更好的预测方法。可以嵌入到这些工具,我们得到一个更好的结果。类比是你有一辆车运行在300马力,突然有一个运行在330马力的发动机。这是伟大的,但你的经验还是一样的。

SE:特别是在硅谷的流量。

Devgan:是的,没错。这样的第二部分,可以更多的转型,是“外面毫升。我们有一些项目,看看我们可以改善的方法可以使用的工具。这不仅仅是工具本身。这也是设计流程。毫升里面是改善PPA运行时。毫升外面是提高生产力。

SE:这是为工具解决芯片设计,还是解决深度学习?

Devgan这是第三个区域。毫升以外,你想提高流。所以你一群模拟和仿真和正式运行,然后你看看报道下一个决定。问题在于,一些可以优化。这是朝着无人驾驶。它不是全自动的,但不是一个人驾驶一辆车,你现在可以开多个汽车。即使在设计过程中,有一些任务我们可以在流自动化水平。毫升以外,它将转换超过自己的工具。

SE:第三块怎么样?

Devgan:基础设施。如果你看看机器学习,数学和非常接近EDA算法用于训练。很多人花时间机器学习芯片的硬件软件合作设计。有50名左右的公司在这个领域。有很多我们能做的来提供工具和方法来提高整个基础设施建设。

SE:这是一个新的IP的机会吗?

Devgan:我们已经Tensilica IP,可以优化。但是当公司做这些设计,有一些独特的需求。这些机器学习芯片是巨大的。工具必须有能力来处理它们。也有一些高度重复的结构,所以有PPA需求。我们正在与这些创业公司和公司这样做的几个基础设施,无论是购买IP或开发自己的。有很多改进的空间。

SE:算法本身怎么样?一些开发工作可以自动和改进。

Devgan:有很多机会。一个公司我和说,他们的一个重大问题不仅仅是发展中机器学习算法,但验证它究竟是什么。所以有和设计的影响验证影响实际的机器学习。我们将开始提供的工具,但是随着时间的推移,我们将扩大之外,因为很多数学非常相似。

SE:你如何验证这些算法和确保他们安全吗?

Devgan:算法的验证,调试和测试,是至关重要的。它的设计是一样的。如果你看最后一件大事,这是社交媒体,EDA行业直接贡献很小。但机器学习是更根本的,我们可以作出巨大的贡献。更多的是数学和与我们的核心力量。这是非常令人兴奋的。我们有一个大跨职能的工作小组。有很多活动在我们的客户基础,设计这一技术。

SE:如果你能缩短上市时间,这可能与机器学习可以创建其他问题,因为这些算法更新频繁。

Devgan在某种程度上:它必须是可配置的。软件是可配置的,或核心都是可配置的。这些算法迅速改变,如果你做一个硅表示坚持它。如果你有一个更具体的实现可能会更快,但如果算法改变那么你是做什么工作的吗?一定数量的重构性是至关重要的,无论是在软件或中间件,类似TensorFlow和硅之间,或与类似Tensilica硅本身。整个硬件软件合作设计将是一个大问题。现在cpu和gpu通用和其他解决方案太具体。必须有一个中间立场。

SE:更有效在硅,对吧?这就是为什么我们听到更多的dsp和fpga的兴趣。

Devgan:fpga是另一个选择。很容易调整与fpga的中间件。一些公司正在与fpga做更多。这就像狂野西部。我们担心手机和手机后会发生什么。如果你跟数据中心,他们预测,计算由cpu的数量下降,但毫升计算的数量急剧上升。我看到数字高达40%到50%的大数据中心致力于毫升计算。

SE:我们看到这些数字cryptocurrency采矿、。

Devgan是的,但这是更可持续。有很多通用的应用程序,它开辟了巨大的机遇无处不在。在我们的例子中,我们可以对内部应用它。

SE:当你把它应用在内部,我们的目标是什么?更快的上市时间,更好的产品,更少的错误的把?基本上你要用毫升一个分布,没有一个固定的数字。

Devgan:你仍然需要运用所有的三个p。有一种方法来改善模式算法的一部分。其他部件都是不错的。但这是一个提供更高质量的结果,更好的PPA和运行时。

SE:这些算法也不必是100%准确的,,对吧?他们可以是95%或98%准确,得到更快的结果。

Devgan:在place-and-route和验证,你总是试图估计早在流动和在流动。现在有一种数学方法,所以结果是更好、更快。

SE:你也有更多的数据点随着时间的推移,对吧?

Devgan:是的。最重要的是,这并不是说我们目前的员工很难拿起机器学习。我们有一个大的工程团队,很多人被训练在这些数值技术。所以我们能够快速地训练自己的人们做机器学习。这是一个EDA公司的力量。

SE:有将是一个方法来提高算法的质量?你提到的硬件软件合作设计。有办法找出最好的权衡进入硬件与软件是什么?

DevganML:,这是有可能的。就像提高引擎。如果你添加机器学习,你要问它是否提高了PPA或运行时。我们已经部署的应用程序中,用户甚至不知道里面的毫升。这些都是非常可衡量的。毫升以外,你改变流,仍有待确定。在这种情况下,您正在取代更以人为本的任务。但毫升很可衡量的,因为你添加了ML算法运行相同的基准。它运行在标准的硬件。

SE:从自己的内部使用你找到什么?有什么好处和风险在哪里?

Devgan:我们公开说改善PPA 5%至10%。但一个技术节点只有20%,这是非常重要的。然后,ML以外,还有待观察。