工程团队正开始让SoC设计选择基于制造业的影响。
据业内人士称,这是相当不容易的得到一个芯片从铸造真正符合规范设计团队对工作,因为这么多的整个行业正在努力了解会发生什么设计一旦它到达制造阶段,以及设计选择的影响实际上是什么。
AI和毫升是当今绝对的术语,但真正令人鼓舞的是看到技术新兴设计师为了挑战极限,是杰夫•戴克的工程总监导师,西门子业务,解释道。“机器学习方法可以提高覆盖率的变化影响数量级不增加时间表。这使设计师能够大幅收紧的利润率,打开大赢了性能和权力。”
例如,Solido(现在的导师)变异设计师使用自适应机器学习方法来提供完整的覆盖空间变化的数量级比蛮力方法,它提供了完整的验证在生产计划,戴克说。
他说Solido的技术是通过运行一个实验设计,建立解释变量和分类,预测性能的整个空间,然后自适应地归零在感兴趣的领域和地区的最大的不确定性。大部分的变化空间覆盖使用机器学习模型,提供结果几乎瞬间,而最重要的区域自动模拟香料完美的准确性。设计师使用这个覆盖率和精度更积极利润率电路,提高性能,力量,区域。
戴克说,进一步的许多前20名半导体公司已经采用了机器学习方法在生产中为了准确、全面衡量变化的影响和收紧的利润率。他认为机器学习为晶体管电平变化正迅速成为新常态variation-aware设计,和下一代的cpu会表现得更好,使用更少的电力。
这只是一个例子。
与此同时,随着机器学习技术应用到现有的工具,EDA工具提供商不断改进现有算法工具,甚至改进他们的。紧缩工具之间的集成领域也发生为了提高效率设计工具,并将增加知识从设计师的设计流程。
|
|
|
|
|
|
|
|
|
|
留下一个回复