机器学习如何帮助改善PPA(功率、性能、面积)的权衡。
人工智能(AI)和机器学习(ML)成为强大的做旧的事情更有效的新方法,即基准,任何新的和潜在的颠覆性技术必须满足。在芯片设计,测量结果在许多不同的方式,但共同的标准是权力(消耗)、性能(提供)和地区(需要),集体称为PPA。这些措施可以应用在几乎所有的层面,从单个晶体管模块包含数以百万计的细胞。如果AI和毫升可以帮助推动拨这些数据的价值,他们兑现承诺。
点击在这里继续阅读。
评论*
的名字*(注意:这个名字会显示公开)
电子邮件*(这将不公开显示)
Δ
传感器技术仍在不断发展,和功能正在被讨论。
光子学、可持续发展和人工智能芯片吸引投资;157家公司筹集了超过24亿美元。
High-NA EUV仍在工作,但更多的芯片/ chiplets将使用老,开发廉价设备。
中国禁止微米芯片;北美半导体会议形成;应用材料计划40亿美元研发车间;苹果和Broadcom 5 g协议;DRAM收入下降;新的低合金互联10纳米以下。
努力山连接计量、测试和检验在两个世界芯片变得更加复杂和昂贵。
现有的工具可以用于RISC-V,但他们可能不是最有效或高效。还有什么需要?
行业取得了理解老龄化如何影响可靠性,但更多的变量很难修复。
Gate-all-around将取代finFET,但它会产生一系列的挑战和未知。
学术界、业界伙伴关系斜坡来诱使大学生硬件工程。
一个处理器的验证是更复杂的比同等规模的ASIC,和RISC-V处理器把这一层复杂性。
高速度和低热量使这个技术至关重要,但它是极其复杂和人才是很难找到和火车。
地图在interposer-based热量流动设计工作正在进行,但要做得多。
先进的设备、材料和包装技术所有导致权力问题。但是你需要关注每个晶体管和线吗?
留下一个回复