机器学习满足集成电路设计

机器学习(ML)是最近的热点术语之一,但即使EDA处理大数据类型的问题,也没有取得什么进展将ML技术纳入EDA工具。

许多EDA问题和解决方案在本质上是统计的,暗示自然健康。所以为什么这么慢采用机器学习技术,而其他诸如视觉识别和搜索等技术领域已经接受它那么容易吗?

“你能闻到一个机器学习的问题,”杰夫•戴克说,副总统的技术操作Solido设计自动化。“我们有大量的数据,但是哪些方法可以适用于解决问题的吗?这是最难的部分。你不能打开课本或修一门课程,并应用这些方法来解决所有的问题。工程问题需要一个不同的角度。”

之前的太深的地方ML被采用,我们检查的一些问题。

奠定了基础
它有助于从一个分类的技术。“在最广泛的意义上,我们有基于规则的技术,我们都曾经在EDA,”解释Ting Ku, NVIDIA的高级主管工程。“在机器学习,在深入学习。基于规则的确定性。不涉及数据库,定义特性。机器学习的出发点是统计和不确定性,它涉及到一个数据库,因为你必须从经验中学习。与机器学习我们可能仍然有预定义的功能,这是学习机器学习和深度之间的分化。一切都是相同的深度学习除了没有预定义的功能。所以自然问题,特征是什么?”

图1:分类的技术/半导体工程

一旦你有了足够的特性和存储数据,你必须做些什么。“这是不切实际的搜索整个设计空间,“说Anush莫汉达斯·,营销副总裁和业务发展NetSpeed系统。“这也是不切实际的设计一个多项式时间算法由于高度非线性空间的性质。对于这样的问题,机器学习过去的经验在解决类似的问题被用于训练数据的形式学习和预测新类似的问题解决方案显示巨大的承诺。”

有几种方法的学习过程可能发生。这些通常称为监督,无监督和强化学习。大多数EDA应用程序正在考虑监督学习。“有两种类型的监督学习”,解释了埃里克·霍尔E3数据科学的首席技术官。“回归就是我们想预测数值和分类是我们想预测一个几个结果。有几个机器学习算法,可以解决这些问题,但是没有神奇的子弹或免费的午餐。”

还有其他问题。“深度学习技术是善于发现那些未知的非线性特性模型,但它是一个黑箱,很难解释,需要花很长时间来训练,”霍尔说。

培训
机器学习技术只是一样好他们训练的数据。“ML是一个迭代的过程,”郭说。“你有决策算法,它们将创建的建议。答案可能不是正确的,所以你必须确认。一旦完成,回到数据库中包含的数据。那时再培训。周期仍在继续。在某种程度上,希望所有的迭代周期将使模型相当准确,这样当一个新的情况,预测将会好。”

在很多情况下,数据可以从以前的设计,但这是否就足够了呢?“想象一下,2000香料并行模拟器工作解决问题的芯片我们从未见过在生产过程我们从未见过的,”说,Solido戴克。“我们可以收集一些信息如何表现在过去和使用形状的模型,但也有实时数据。这是实时机器学习和构建实时模型。”

和实时学习创造了许多其他问题。“如果在流数据出现错误,或者你得到错误的答案,污染模型,您需要过滤或适应——这是非常困难的,”他补充道。“我们需要自动恢复和修复。当出现问题你必须能够调试流数据。”

但调试一个ML体系相对未知的领域。很少,如果有的话,验证技术是已知的。

还有其他类型的学习与EDA流。“我们需要能够获取知识通过设计实现过程,”索林Dobre说,高级技术主管高通。“EDA有很大机会扩大使用监督和非监督机器学习解决方案设计流程优化。我们已经有20年经验的高级工程师,谁能保证高质量的设计,但我们需要帮助设计师是白手起家。我们不能等待五年把他们全部生产力。”

工作经验丰富的设计师,越来越难了。“在过去,建筑师设计了互联依靠他们的经验和关键设计决策,如基于直觉的拓扑结构和路由选择,“说NetSpeed莫汉达斯·。“然而,这种方法不能为异构系统规模在芯片上的需求极其多样化。由于各种芯片上的组件之间的交互的复杂性,设计一个算法,但几乎是不可能的功能和性能正确的互连,认为所有用例。”

数据集
这些用例的一部分数据集,这并不总是一开始就清楚。

“得到良好的数据集可以是一个挑战,”Harnhua Ng说,首席执行官Plunify。“工具的学习能力确保工程集团使用越多,学习数据库变得越聪明,加速时间设计关闭。”

所以可以通过这些技术只用于大,现有的数据集或EDA可以提供最初的培训?“对许多机器学习应用EDA, algorithm-related参数选择和培训需求发生完全在一个设计客户或铸造的计算环境,”大卫说白色,杰出的工程师节奏。“在这些应用程序中,最具挑战性的任务是创建自动化的培训和验证方法,可以确保目标的算法如预期运作硅技术。在某些情况下,更先进和复杂的机器学习方法提供了更大的精度,但可以支持领域最困难的。在开发过程中需要权衡权衡在正确的选择算法和体系结构中,由于所需的精度,以及可用的训练数据量和其他支持和使用模型相关的约束。”

如果这听起来很困难,它是。“EDA问题维数高,高阶相互作用,不连续,非线性,需要先进的实验设计技术,先进的监督学习、智能筛选和过滤,以及基准基础设施,“说,总裁兼首席执行官Solido。“此外,EDA问题流数据率高和大量的数据档案,要求优化流解析器,并行的算法,高效和可扩展的集群管理,自动恢复和修复,以及大数据调试。”

莫汉达斯·提供互连设计所需的数据集的一个例子。“完美的互连策略取决于大量的SoC参数,包括平面布置图、路由限制,可用资源,连接要求,协议级别的依赖,时钟特点、工艺特点等线延迟,功率预算、带宽和延时约束,等等。独特的设计策略空间的维度的数量增长到几百,创建一个特别大的设计空间”。

基础设施
这个问题有几个方面。EDA可以实现“机器学习”,说Hasmukh Ranjan)公司副总裁兼首席信息官Synopsys对此。“但是为了最大限度地发挥优势,毫升应该实现内部工具本身以及周围的工具,在流。”

高通的Dobre同意:“没有必要实现一切的EDA工具。你可以有独立的机器学习解决方案,可以把现有的工具。”

Shiv Sikand,执行副总裁IC卡管理提供一个例子。”通过分析数以十亿美元计的数据点从先前tapeouts我们可以预测缺陷的影响,设计复杂性、人力资源、执照、农场和计算当前项目的吞吐量。通过识别瓶颈在半导体设计我们可以提供预测和识别潜在的延迟。”

我们的基础设施运行工具可能也需要检查。“我们还需要考虑智能存储Sikand补充道。”与文件操作相关的数据流分析,机器学习技术,如集群和回归分析允许持续改善P2P网络和缓存管理提供更高的应用程序的性能。”

Dobre的团队熟悉这些问题,。“我们有农场和成千上万的cpu。当你看设计的数量必须进行验证的同时,如何以最优的方式使用这些资源在资源需求没有爆炸?然后是数据管理。你如何处理这么多数据在设计空间和铸造方面以有效的方式和提取知识和信息需要在接下来的设计减少学习周期?”

机器将运行ML算法增加了另一个维度。“机器学习将减少通过现有的复杂算法设计和仿真,“Sachin Garg说副主任市场和市场。“EDA工具可以显示或进一步采取明智的决定将这个一起,但是我们需要更好的硬件(CPU + GPU)运行这样复杂的ML算法更有效。当前的gpu并行计算工作负载提供巨大的加速度和优越的性能扩展两代之间。”

节奏的白色同意:“大规模并行计算架构开门的进步基于假设优化和验证有效探索设计空间和收敛最有前途的决定。”

应用领域
成功依赖于能够定义正确的功能。“考虑变异设计,”郭说。“如果你想一个概率密度函数模型,你需要的属性。特征是区分一件事和另一个属性。人们可以是头发的颜色,身高,性别,这些特性。变化可能是PVT角落,必要的算法定义设备变化,和设备的随机变量。所以功能是为特定的问题是很重要的事情。”

10 nm和7海里我们看到很多过程变化。“铸造努力提出一个新进程技术是重要的,”Dobre说。“应考虑库元素模拟电路设计,尽管它是在数字空间。你必须验证设计多个过程的角落。如何获得高质量的没有爆炸所需的资源?机器学习可以带来生产力的提高10倍,在描述时间周减少,减少资源的数量。机器学习是一种有效的方法来识别模式,推动收益率失败。我们看到了巨大的潜力和经济效益。”

EDA是加大对这个问题。“advanced-node设计,有不确定性的增加了新的硅技术和额外的验证需求,因此增加了潜在的风险,”怀特说。前”在传统设计流程,设计和布局数据不是有效杠杆来指导未来设计。进展分析允许检查之前的设计数据和趋势(开采)和用于指导设计决策最早阶段的设计流程。这些相同的方法可以用来发现并提供上下文,推动机器学习引擎的培训和发展。很有可能这样的解决方案将利用大量的数据,需要成百上千的机器学习组件需要管理和验证。一旦适当的情景化的数据,可以使用机器学习来捕获复杂行为提供分析(如寄生虫、电气、验证)和高精度和快速的性能。”

也有地区的设计,它可以帮助。“我们可以用它来记忆和逻辑门能力评估或定时估计,”霍尔说。“这将减少不确定性,人们应用的填充,从而创造一个更有竞争力的产品。”

另一个领域解决方案出现在路由。“互连设计中,第一步是确定在每个维度的组合设计策略,导致各种各样的好的解决方案之前SoC设计,“莫汉达斯·指出。“下一步是使用这些信息来学习模式和预测的组合策略很可能会导致好设计。”

也适用于类似的技术FPGA路由。“复杂的FPGA设计与棘手的时机和性能关闭问题是工具基于机器学习技术的优秀候选人,“添加Plunify Ng。“机器学习工具可以分析过去的编译结果预测最优合成/ place-and-route参数和放置位置无数亿的可能的解决方案。他们推断工具参数最佳的设计使用统计模型和机器学习画见解从数据以提高质量的结果。”

可信的结果
但设计面临障碍高于许多其他应用程序毫升。”如果在一天结束的时候有风险的衍生版本或over-margining,人们不会采用的解决方案,"戴克解释道。“机器学习工具是大估计。你不能让他们相信它。所以我们需要accuracy-aware建模技术。今天很少有这些——你必须发明它们。我们需要主动学习方法可以逐步找到感兴趣的领域,这些往往是在最糟糕的情况下。告诉我我的芯片可能会失败,得到大量的决议。所以你要直接实验进入这些地区。针对问题领域是很重要的。”

戴克还指出EDA面临的另一个障碍。“如果你不能证明一个答案是正确的,他们不会接受它。所以你需要设计算法可核查。你需要实现验证的技术,当你给一个答案你表明,它在运行时是正确的。”

结论
毫升已经开始渗透EDA设计流程。“机器学习已经开始在EDA中发挥重要作用,”Gupta观察。“它有进一步的机会提供颠覆性技术的突破,解决半导体挑战。”

然而,有很长的路要走。“今天,我们只看到了冰山的一角,”谷说。“需要发生什么是,EDA需要停止提供数据。数据很好,但我们真正想要的是决策。所有你需要做的就是把一层之间的数据和决策算法和机器学习的决定应该通过学习从数据。EDA是在一个完美的位置做这项工作。”

小步骤可能需要如果信任是维护。“人工智能和机器学习可以使一个公司有别于同行,但它也需要杠杆准确性的前提下,“结论Synopsys对此的野生动物。

有关的故事
伟大的机器学习竞赛
芯片产业复位技术开始成形;没有明显的赢家。
在机器学习填补漏洞
第2部分:短期和长期的解决方案,以确保机器的行为预期。
机器学习缺少什么
第1部分:教学机器如何做人是一回事。理解可能的缺陷之后,又是另一回事。
建立芯片,可以学习
机器学习,人工智能,需要的不仅仅是力量和性能。
一个人工智能芯片是什么样子?
作为人工智能的市场升温,那么困惑如何建立这些系统。
人工智能风暴酝酿
人工智能的加速度将有大的社会和商业的影响。