一个案例研究的细胞开关电源。
在本文中,我们引入一个机器学习(ML)应用程序,准确地估计细胞不需要的开关电源SPEF文件(PA SPEF少流)。3毫升模型(多元线性回归,随机森林和决策树)被训练和测试在不同的工业设计在7纳米技术。他们被训练使用不同细胞的属性可用,SPEF SPEF-less数字准确预测开关电源和消除SPEF文件的需求。
有了这个新的ML的方法,我们能够减少SPEF-less流的平均细胞交换式电源误差从34%降至8%。点击阅读更多在这里。
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