机器学习如何帮助满足PPA挑战和提高生态优化的生产力。
不太久以前,机器学习(ML)似乎是一个有趣的研究课题。然而,在任何时间,很快适应了角色转变——从一个遥远的世界共同出现在新闻、广告牌、工作场所和家庭。概念本身并不是新的,但显然是什么导致它起飞在许多应用程序和数据的快速增长更多的计算能力。离家更近的地方,在我们自己的世界EDA和集成电路设计,有类似兴奋的潜力毫升。预期高涨,但关键问题是:什么是有意义的ML的机会和提高设计效率的实际采用的方法吗?
有几个明显的地区能够受益于EDA ML,包括建模、寄生提取、路由和收益分析。然而,增加的一个领域挑战所有的设计师是会议至关重要的权力,性能和面积(PPA)的目标——一个理想的候选人ML-based优化中的应用。随着设计继续增加复杂性由于更多的功能,先进的流程,变异,和更多的操作场景,是导致工程变更命令关闭(ECO)流设计更加消耗大量的数据和时间。这是成为特别具有挑战性的过程技术进步5 nm和下面。
时间一直是一个主要关心的生态循环,但权力已经成为一个同样重要的标准在高级节点取得成功的结果。然而,时间和功率优化矛盾的挑战,例如,减少延迟通过上浆细胞增加动态和功率泄漏,反之亦然。当执行功率优化,设计师经常拨打的准确性使用悲观还原技术,如基于路径分析(PBA)和参数芯片上变异(POCV),并验证在“所有操作模式”为“所有过程、电压和温度(PVT)角落”达到最佳PPA的结果——但重要的运行时的成本。运行时问题是加剧了更新的节点,如5海里,与更优化的变量包括更严格的间距规则,更多的库单元选项涵盖了广泛的性能/功率谱和数以百计的操作场景的芯片结果。
机器学习遇到的医生这一交响曲的公式复杂周边生态优化。最常见的ML方法包括以下步骤:建立一个资料库,训练算法,创建一个模型,预测结果对新输入数据。权力的优化,这意味着学习生态观测数据,并快速、准确预测电力恢复选择没有昂贵的计算,例如,挑选最好的替代细胞缩小,说200候选人库细胞不同时间,力量,和其他复杂的特征。
尽管收集大量数据在设计类型和流程节点的声音有吸引力来提高模型的结果,它不是一项容易的任务,不得被要求达到预期的结果(QoR)的质量。大多数设计决策相关的上下文空间或时间距离对设计架构和版本;所以,训练数据可能不会提高QoR基于不相关的设计点。另一种实用毫升方法是“主动学习”,它与优化引擎交互动态构建相关学习模型基于当地的设计数据。这大大简化了优化路径实现签收PPA与更快的周转时间和更少的资源开销,为应用提供强有力的激励。
Synposys黄金时段套件是公认的标准时间和权力生态和签收。其广泛使用的经验在一个广泛范围的应用程序设计和流程节点使它能够更有效地应对日益增长的PPA挑战在设计关闭提供先进生产力和效能的技术,包括机器学习。
机器学习兴奋确实是有道理的。显然有可能带来重要价值EDA和设计,特别是对耗时的生态优化措施来提高生产力,实现有针对性的PPA。积极毫升的方法提供了一种有效的实用方法使设计师能够把这项技术很容易融入他们的设计流和恢复他们的权力更聪明。
|
|
|
|
|
|
|
|
|
留下一个回复