刚果民主共和国毫升如何使自优化工具,寻找热点地区,EM / IR分布等等。
人工智能正在改变我们周围的世界,创造一个创新大道在所有部门的全球经济。今天,人工智能可以通过自然语言与人类交互;确定银行欺诈和保护计算机网络;在城市街道上开车;像国际象棋和围棋这样的复杂游戏。机器学习周围是许多复杂问题提供解决方案,分析解决方案可能过于昂贵或几乎不可能的。芯片设计怎么样?毫升能提供半导体工程中关键问题的解决方案?
泛滥的设计挑战
多年来,EDA行业提供了许多解决方案的复杂系统的建模和设计创造。大多数在EDA设计问题是np难;只是没有多项式时间算法来解决这些问题,因此不能分析确定最优的解决方案。今天的EDA系统发现很难跟上先进流程节点需求由于大量新设计的挑战(图1)。
更糟的是,这些需求是相互依存的,同时需要考虑多个飞机的设计优化。使用的实际应用和技术高度取决于每个特定的问题空间。如何准备一个特定问题的通解时有限访问设计环境?
增高设计工具,学习和提高
机器学习(ML)提供了机会,使自优化设计工具。很像自动驾驶汽车,观察真实的互动来提高他们的反应在不同(本地)驾驶条件下,增高工具能够学习和改善后(当地)设计环境中部署。这些新功能可以嵌入在不同设计引擎,给EDA开发人员的新阿森纳今天的解决方案要求半导体设计环境。
例子:快速延迟预测在优化
Advanced-node复杂的物理效应和铸造规则可以影响设计收敛。各种信号完整性建模功能,波形传播,存在着噪声等,准确地计算延迟。然而,这些功能计算昂贵,需要小心使用在pre-route设计步骤。一个毫升延迟预测是一种统计模型,可以在多个阶段训练捕捉时机的进化设计,提供上游引擎更快的可见性复杂的下游效应,并使更好的决策。延误预测改进设计收敛和加速设计进化朝着更好的PPA(图2)。
扩展毫升预测模式
整个类的ML预测可以寻找刚果民主共和国的热点地区,EM /红外光谱分布,等等。额外的ML类模型提供各种各样的好处自优化设计工具(图3):
这些引擎可以pre-trained前期或允许self-train设计。他们不断学习和改善的设计环境,使快time-to-results QoR更好。
下:一个增高设计平台
Synopsys对此介绍了行业首个增高的工具2018年(黄金时段生态)。我们已经稳步继续介绍新的ML模式在我们的设计平台,使更好的QoR艰难设计问题和更快的周转时间。今天,有许多毫升模型Synopsys对此增高工具领域的数字实现,电路仿真、测试、物理验证,结果——更多的计划在2020年发布。我们正在执行一个清晰的愿景的增高融合设计平台:一个策划,自优化设计环境,将远远超出单模解决方案和提供更好的端到端QoR整个设计环境——ML-Everywhere !
留下一个回复