芯片工程师计划如何使用人工智能吗

专家在餐桌上:半导体工程坐下来讨论人工智能是如何被使用的今天,工程师希望如何使用它在未来,迈克尔·杰克逊,公司研发副总裁节奏;副总裁Joel萨姆纳半导体和电子工程国家仪器;在元恩典,产品和工程经理;大卫锅,电子和计算机工程系教授德克萨斯大学奥斯汀分校。下面摘录的谈话,在现场观众面前举行DesignCon。本文的第一部分在这里。第二部分是在这里。

SE:当我们谈论人工智能,我们谈论真正的人工智能,机器学习,还是强化学习?各自的优缺点是什么?

杰克逊:我们看到有很多今天是机器学习的应用程序。这就是最初的重点是。更一般的AI来了下游。从应用程序开发的角度看,我们创建应用程序,针对具体问题,如印刷电路板布局。还有另一个应用程序,这将有助于与功能验证,和不同的应用程序,可以帮助PPA数字集成电路设计的探索。它不仅仅是一个工具。这是不同的不同的应用程序的工具。

SE:这是设计师一直采取分而治之的方法吗?

杰克逊:从EDA的角度来看,这是一个非常自然延伸的随着时间的推移发生了什么。不只是有一个EDA工具。有许多专门的工具,如设计规则检查,功能验证,正式的方法,place-and-route。并从EDA的角度发生了什么是,每一种类型的产品团队投资AI为了做今天的工作比他们在做什么,释放更多的最终用户的生产力。

锅:它是关于一些硬件参数和优化整个流程。但每个调优的工具都有自己的特定AI-driven应用和优化。有各种各样的ML算法——监督学习,semi-supervised学习、无监督学习和强化学习。这取决于应用程序。

萨姆纳:应用程序,至少在短期内,我们思考什么是我们需要解决的问题。这不仅关乎划痕检测晶片。我们看到需要的数据减少,因为有太多的数据,只有异常数据需要回来。这些是数据问题,所以我们应用人工智能技术是为了看看工作的最佳工具。当我们找到合适的方法让工程师更有效率,所以他们可以在早上回来,把他们的报告,然后我们看了正确的方法去做。但回到这个问题,毫升就是今天我们关注。

余:有时候人类的工程师可能探索所有的可能性,测试的限制,小形状系数、高密度和高速度。我们正在寻找人工智能来帮助我们探索外面的盒子,拿出一个解决方案,我们从未想过,让我们加速我们的硬件设计和优化,设计非常独特的方式。我有很高的期望,在未来人工智能可以提高设计和推动他们到下一个水平。

SE:每个公司有自己的定制的AI系统?如果你思考工具在过去,他们创造了许多不同的设计和用例。但随着人工智能,我们处理定制的方法一个公司做的事情。

萨姆纳:用户可以利用基础设施来解决不同的问题。他们每个人都有不同的数据在不同的数据集来训练,但我们有一个健壮的足够的基础设施,灵活的访问他们的数据和他们想要运行的算法。这些东西随着时间的推移人们会需要采用因为很难混合和匹配数据访问和算法。

杰克逊:大公司会投资AI内部来解决和优化和处理具有挑战性的问题。从EDA的角度来看,我们正在研究如何提供更一般的解决方案为我们的客户提供价值。你可以同时拥有。会有内部AI公司正在投资,和EDA公司将寻求提供解决方案,规模和可以使用在不同的公司做得更好的解决这些问题。

锅:有很多基础设施可以从大公司像谷歌,Facebook PyTorch TensorFlow,和微软,所以你不需要从头开始。我不认为每个公司都想建立自己的基础设施或重新发明轮子。和所有这些基础设施,你可以定制和开发新的算法基础上,像一些的基本软件。

SE:但不是人工智能和机器学习的整体目标优化不管你有什么,所以每一个发展比别人有点不同?

锅:这是应用程序本身。如果你有天才工程师与各种技能,程序员,数学家,很多基础设施,那么肯定的是,这些人将继续推动艺术的状态。但是大多数用户和小公司可能只会为他们自己的应用程序的定制。你不需要基础设施的改造。

萨姆纳:基础技术应该为大家工作,它可以针对一个特定的定制应用程序。有时,供应商将有一个“罐头”应用程序中,而在其他情况下,他们提供的基础设施,使任何用户可以解决自己的问题。这两种方法都是重要的。

SE:那种回到限制使用它的工具,对吧?工具是多少毫升的框架或人工智能可以风险外的盒子,因为住在盒子里应该按预期功能。

余:我们有一个非常不同的应用程序,我们试图做更多的调试。现在调试仍由人类完成的。工程师已经去实验室,全面检查设计,并根据数据做出决定。这是一个非常费时的过程。有时你的时间表需要你在某一天发布,所以你花两周的时间在实验室里试图确定一个问题。我们还没有达到人工智能可以帮助我们调试产品真正的问题——不仅仅是在一个模拟世界,还在实验室,测量,确定如何处理数据,得出问题的根源。但我期待看到这种情况发生。

SE:我们如何知道一个人工智能系统正常工作吗?

杰克逊:EDA,我们有金色签字确认芯片的设计工具是可以从时间的角度来看,从设计规则的角度来看。这是最好的方法来验证,任何上游技术来加速或找到一个更好的解决方案不引入一个问题。

萨姆纳:采用这一技术的关键是信任。你相信这是要做的正确的事吗?信任是随着时间的推移。有很多方式,它会发生。其中一些是通过观察。我们的工程师,我们想知道的一切是如何工作的,所以我们想听所有的细节。但最终,得到一定的舒适度。当你购买一辆汽车从一个可靠的制造商,你可能没有看测试报告,因为你知道制造商有良好的记录。这就是这项技术发展。我们现在推出的是与人类的循环,他们可以看到发生了什么。 If they trust this works, great. If it’s wrong, they get to make the model better.

锅:最终,关键问题是为什么它不会工作。这就是背后可辩解的人工智能的研究。有时它可能违反直觉的你和它仍然工作,但也许你可以让它更好的工作。如果它可以帮助我们获得更多的见解,这很有趣。安全与信任和explainability需要牢记当我们部署的机器学习在一个真正的系统。

相关阅读
人工智能在芯片设计变得更加突出(3以上的第2部分讨论)
专家在餐桌上:好的和坏的更多的数据,以及人工智能如何利用这些数据来优化设计和提高可靠性。
人工智能:工程工具或威胁的工作(3以上的第1部分讨论)
AI有时比别人工作;当没有足够的好的数据的时候会发生什么?