增加数据分析处理技术的发展只是一个开始。
机器学习是爆炸,特别是在有大量数据处理和大量的潜在的相互作用。
这导致了两个明显的插入点在半导体领域。一是在设计方面,刚刚一个先进的设计功能是一个巨大的挑战。这个挑战增加可靠性的一些市场的需求也在不断增加。很难足以让一个10 nm芯片在智能手机工作好几年了,但这是一个很多难以模拟复杂的10 nm逻辑芯片将如何执行在一辆汽车或一个工业操作在10或15年。
第二个机器学习的地方是一个明显的适应是在工艺技术方面。与50亿个晶体管能够制造一个SoC 90%或更高的收益率是一项庞大的任务。事实上,它可能需要一个完全不同的最高级的词汇,因为需要处理的数据量和规则的数量需要创建非常复杂。作为一个参考点,材料公司谈论杂质在1部分每千的五次方(15 0)。
还有其他的沿流片技术从最初的建筑最终硅机器学习应用,当然可以。但是,这种计算机科学的方法真正擅长的是在整理大量的数据来寻找模式和畸变,然后设置参数,可以采取行动根据不同上下文中的交互和其他因素。这些交互是合法的,有些不是,有些是合法的在某些时刻,而不是其他人的。
的基本概念是建立一个基线是可以接受的行为,当它是可以接受的,然后一个或多个算法可以“学习”如何优化行为。对于复杂的过程,这是非常合理的,因为需要筛选和消化的数据量太大,任何一个人或者一个团队的人理解。
处理复杂性的典型方式是把问题分成更小的组件,这些组件缝合在一起,然后找出解决方案当事情没有按照正确的。这就是为什么断言和正式的技术是如此的有用。当作品放在一起,它允许验证团队遵循所有通过的任何更改设计或一个过程。
尽管底层工具仍然是必不可少的,整体效率水平不够高跟上不断增长的复杂性。事实上,它正在成为一个瓶颈。此外,工程师通常建立在保障(也称为保证金或保护带)因为有如此多的数据和复杂性。在旧的节点边际成本的钱,但在高级节点也可以影响设备的性能和能源效率。和过程的技术,它可以减缓晶片加工的工厂。
机器学习大数据技术适用于这些问题,构建复杂3 d矩阵可以映射系统中所有可能的交互。在这一过程中,它可以识别模式,不可辨别的团队的工程师独立工作,或甚至在平行,因为他们不能掌握全部。允许更有效的过程,它可以帮助消除一些利差将低效添加到系统。作为附带的好处,它还可以用来减少限制性设计规则,使设计工程师更多的自由来创建新的架构。
现在问题就来了,可以用这些设计什么?和这些设备如何处理市场更快,更可靠和更少的缺陷吗?在接下来的几个流程节点,我们要找出答案。
|
|
|
|
|
|
|
|
留下一个回复