在EDA中使用机器学习

机器学习已经开始对EDA工具的业务产生影响,降低设计成本,允许工具对常见问题的建议解决方案,设计团队需要几周甚至几个月的时间才能解决。

这降低了设计成本。它还可能扩大市场的EDA工具,打开门甚至新设计从越来越多的公司开始和更多的芯片。

”有很大的需求弹性,几乎任何创新被视为使工具运行得更快或更少的资源来运行此工具几乎总是立即变成有人看到他们可以运行更多的并行或承担更大的任务,做更大的芯片,”Chris再生草说Cognite合资公司的首席执行官。

效率增加通常转化为工程团队能够做其他工作,和多样化的工作增加,观察Ting Ku,资深的工程总监Nvidia。“当我们夫妇,我们不做同样的事情。实际上我们做其他的事情,我们没有时间去做,,现在我有空闲时间,因为效率提高所以我现在去这样做。”

这应该是一个好消息对EDA工具提供商。“我们用来做五个工作,现在我在做10不同的工作,我需要工具,所以增长EDA在哪里?我必须找到更多的事情,”库说。“你需要测试,你需要EDA的帮助。这是增长领域。”

看起来好像解决问题的数量将减少工具销售。完全相反。

在测试空间”这一现象的一个例子是当我们知道如何加快stuck-at-fault,”哈利说福斯特,验证首席科学家导师,西门子业务。“我们意识到我们现在有时间计时或别的东西,我们之前没有做,因为我们没有时间。”

刚刚开始
承诺是巨大的,EDA工具的增加与机器学习才刚刚开始。

“我们一直在思考的一个问题是,我们实际上帮助客户很多,但是我们要如何收取更高的费用,“问诺曼Chang,首席技术专家半导体业务单元有限元分析软件。“当涉及到机器学习增强功能的现有工具,客户可能不愿意支付额外的钱,这是很难做一个独立的工具。是什么模型,将与客户,和客户愿意给EDA工具是什么?这一点还不清楚。”

虽然它可能层机器学习增强现有工具的架构之上,安德鲁•Kahng教授加州大学圣地亚哥分校说时,应用机器学习EDA工具,“在”和“周围”之间的区别是非常重要的:“周围”是可以收获大量的价值,人们最初将遵循金钱和ROI。

这条路可能会看到EDA和它的客户更快地采用机器学习技术。

Kahng指出,最近发表的论文与高通公司的设计中心在班加罗尔检查资源管理和调度优化,例如,“当一个晚RTL bug,你必须购买新的服务器来管理你的20 +与可接受的正在进行的项目进度风险,或者你能只是重组现有资源?结果很惊人。当潜在好处的数百万美元或周的时间表,任何人都可以看到价值。所以,这些建立在优化首先就来。”

”,也许有一个EDA的未来而不是通常的EDA工具的“机器学习上面一层,我们将看到新一代的EDA工具架构”的机器学习,天生更容易预测。这将是一个新型的EDA。其实核心EDA——路由器、优化芯片规划者,等等——但更稳定和更少的混乱,例如,”他建议。

再生草,这仍然是改善或多或少地使用机器学习“古典”流动。他说,“在”方法利用异构集成多个工具。“你一定程度上解决数据问题,因为今天如果你得到模拟仿真和验证覆盖率,和你要的地方和路线拥堵数据,没有全面的看待这一切的方式。但是这些机器学习技术,特别是深度学习,非常有效地整合多个数据类型和找出考虑从每个类型的输入”。

只要它可以与一些预先确定的结果,那么所有的这些数据可以被扔进料斗,这样系统中最重要的是找出什么决定产量。”是我多少时间保证金,或者是多少物理设计规则,影响我的收益,“再生草说。“它到达环绕,因为它能坐上的多个工具和提取数据。年前,我们经历了整个数据库的事。现在这是一种数据聚合/数据剥削,不仅仅是我是否可以读一些其他工具的输出。当我把所有的统计结果从所有这些工具,大局的画是什么?机器学习能够被很好地定位开始给一些见解。”

最终,任何除了改善结果或结果的质量,指出萨西Obilisetty,研发主管Synopsys对此。“没有,只是技术——它必须使客户更好的优化,或者深度学习是将所有这些联系在一起。这是一个尝试,合作,然后想出了一个可行的解决方案。在EDA我们的工作与我们的客户合作,这将是非常重要的,继续这样做,而不是忽略我们提供的价值。”

Ku表示同意。“一个公司像ANSYS或Synopsys对此拥有多个不同领域的工具一直在努力试图解决同时并行工程或解决问题。但在现实中,适合实际上是相当困难的。当你穿越域,这是一个非常困难的问题。机器学习技术实际上这些跨域问题很好地融合,这是一个独特的特征这一战略尚未发明。”

在EDA gpu吗?
考虑的另一个领域是在gpu上运行机器learning-enhanced EDA工具的可能性。虽然gpu的训练机器学习系统平台的选择,这是未知的,如果将EDA工作问题。

Ku说这是他的希望。“当我跟EDA供应商,大部分时间我告诉他们在开始的时候他们会做小问题——不仅仅是增加现有的流动。这些都是小问题,他们与cpu可以解决传统方式,因为当你问别人买GPU农场他们说,‘不了,谢谢。我们没有这样做。除了Nvidia GPU -我们已经有一个农场。你可以与我们合作。但希望是,在某种程度上,问题将达到一个特定的转折点,这将是如此困难,所以复杂,和变量高维,你必须使用gpu来解决你的问题。那一天还没到,但是我相信它会增长轨迹显示。”

Obilisetty指出Synopsys对此有一些正在努力在gpu上运行的经典工具,但它需要重大的重新建构。这不是一个简单的工作。

“什么可以做,”她说。“这需要工作。同样,将机器学习概念和机器学习技术引入到我们的工具需要反思。从来都不容易,而且我们不想妥协的质量结果但是我们仍然想要聪明的少做模拟,分析少所以我不认为一个比另一个更容易但是如果我们登上舞台上使用更多的ML,更加深刻的学习,有很多的硬件可以真正帮助快速转场。我们还去那里。”

然而,经典的香料等工具模拟不适合在高度并行,浮点架构GPU。“最多可以得到重组,“再生草说。“机器学习和深度学习当然是并行的,所以他们会像gpu并行体系结构上很好地运行。两个未知数是人们使用类的技术是什么?它是相对简单的统计分析,从机器学习技巧的袋子,还是完整的深度学习?”

机器学习通常是计算密集型,所以这是更多关于如何使用正确的模型。“深度学习,当然,是计算密集型,特别是在训练,而且在推论,“再生草说。“只是应用计算复杂度非常高。在第一种情况下,它不是很的运算量,CPU可能是足够的。当你进入推理时,它就变成了一个多么重要的问题。世界开始充满建筑更专业的人,为图像处理并行推理引擎。我们会做这个计算是如此之大,你去那里。这似乎不太可能。这似乎是一个问题,而计算密集型、基于服务器的东西呆在主流硬件是足够好——或许太好了。但我不认为我们可能会发现,现有的各种培训和推理处理器在EDA做我们所做的不足。 I think we’re years away from exceeding the capacity.”

然而,Kahng坚称毫升可能比大多数人认为的来得要快。“看Kaggle比赛,或者AlexNet的进步,SqueezeNet,等等,你看到巨大的商品化和可用性的高品质,开源软件栈。想想90/10规则。我们有一个规范的开发的机器学习领域在过去的二十年里,加上很多低垂的集成电路设计应用程序可以很容易到达90%。我们可以预测详细的路线刚果民主共和国开始之前一个昂贵的运行。我们可以在许多计算预测误差或错对比两个金色的分析工具。或丢失在一个角落multi-corner分析:运行计时器15角落,然后预测端点休闲裤在50岁其他角落。这些都是令人难以置信的高附加值应用毫升。一旦你有模型训练,说,一个特定的16 nm FinFET支持——图书馆,后端栈,工具链——模式永远是好的。”

即使有成千上万的参数模型,他认为毫升模型开发的投资回报是引人注目的,并将继续,只要提供的技术。

收集数据带来了一个小问题,Kahng补充说,并指出设计,设计实现,设计目标是不断变化和“不同。”“我相信人们可以创造性生成数据进行大数据在名义上只会有较小的数据,但是他们会看的好处和回报相当小心。”

连接到这是事实基础设施尚未真正在公司之间共享数据,这是需要消除数据问题。

“一个小数据问题也许需要一个数据同化过程,专有信息保存,然后公司愿意自由分享自己的信息,“谷说。“今天我们有Facebook和谷歌,他们收集所有人的信息,我们好,因为这不是真的。他们不知道我做了什么。也许某种数据抽象必须解决这个小问题,所有公司可以分享自己的数据。”

另一个地方有机会收集大量的数据在铸造。“理想的是你获得匿名数据从工具制造业以及匿名数据流,然后你真的可以建立这些大,相关模型,“再生草说。“该行业将受益,但我们可能有一个“公地悲剧”的情况下没有人愿意参加,因为他们害怕。”

Kahng指出,在一天结束的时候为毫升左右的EDA应用在短期内,然后剩下的路去毫升”“EDA,数据收集必须从根本上改变周围的思考。

“小公司可以利用大公司收集了什么?这是一个全行业的基础设施——包括匿名化和归一化和模糊标准——被提到。利用特征码和Splunk和填料的所有报告和日志到数据仓库,这是视觉上的指标,1999年之前的时间。当时,博士Stefanus Mantik使用Oracle 8我,和他写自己的包装Synopsys对此和节奏SP&R工具。今天,数据管道和分析以及商品化,我们应该看到客户在很快一个引爆点:他们会咬子弹,收集设计流数据,然后我觉得很开放的季节,“他补充说。

有一件事是确定今天没有捷径可走。“我开始使用这些技术大约两年前,没有人相信我一开始,“谷说。“我负责内部工具开发,所以我有一个忠实的观众,他们必须用我的工具,他们不相信我,但不知何故,我让它发生,他们开始相信我。然后我去了EDA供应商,告诉他们我有这种方式来解决问题,使更好的工具。猜猜发生了什么?没有人相信我。一年前的一天,也许,我给ANSYS内部工具,我的团队开发内部使用,意识到人们开始相信唯一一次是当我向他们展示。适用于内部客户,它适用于EDA的世界,它将适用于其他国家——这就是人性的工作方式。”

有关的故事
机器学习满足集成电路设计
有多层机器学习可以帮助创建的半导体,但没有像其他应用领域一样简单。
CCIX使机器学习
系统可以使或打破世俗方面的解决方案,通常和接口定义什么是可能的。
机器学习越来越流行
经过两年的实验,半导体行业正在努力接受这种方法。