选择正确的使用机器学习方法是关键。
今天很难找到一篇文章,不讨论人工智能将如何解决世界上每一个可能的问题。自动驾驶汽车、机器人运行整个酒店(在日本),语音助手回答你的每一个问题,似乎与人工智能可以解决所有问题。所以常常在生活中,真正的答案是:视情况而定。这取决于问题的性质,可用的数据,当然,在即将到来的技术进步。
我经常被这个问题:机器学习和人工智能的概念已经出现至少自1960年代以来,为什么是现在呢?我通常回答:你知道第一个电动汽车在1884年被发明的?我们这里,100多年后,最后只是成为现实。许多生活必需品如高容量电池技术,能够支持大量的电网电流进行充电时,充电和太阳能电池,使您在家里你的车不可以在过去。同样,机器学习已经由于许多先进的计算能力和降低成本,大量的数据存储功能,和许多算法的进步,深度学习革命和强化学习的进步甚至击败人类复杂的游戏。
芯片设计呢?表面上看,许多挑战的实现,验收和集成电路的验证应用机器学习似乎很好。毕竟,有很多数据”,有许多无法解决高度复杂的问题,与传统分析方法有效地和最重要的是,复杂性不断增加。每个新技术节点添加越来越多的物理规则,这是简单的一种描述所需的(或不受欢迎的)布局结构。随着时间的推移,这些规则传统实现算法成为一个负担,因为他们减缓系统和推动我们进一步从最优结果。
当谈到人类方面,芯片设计过程仍然是高度手册和劳动密集型的,尽管所有的设计自动化工具的进步在过去的几十年。这主要是由于高复杂性的问题被解决了,再加上一个几乎无限大的输入空间,提出了系统的设计实现。的选择几乎是无穷无尽的,远远超出设计的输入(如RTL、网表、平面布置图、层次选择)技术和过程的选择(库细胞是最好的力量或定时),设计抵押品(PVT选择层堆栈)和工具和流程设置。设计师花费几个月的时间来调整这些输入,直到在某种程度上他们达到他们的目标(通常是一些指标交易)或简单地耗尽的时间和需要带出。看一看只是一个简单的宏观布局问题的复杂性,与游戏的解决方案空间像国际象棋或下面的插图。EDA工具的主要原因是启发式,哪怕只是一小步在设计实现工具本身是一个NP完全问题。
机器学习能做些什么来自动化这些复杂的问题呢?很多,但所使用的实际应用和技术高度依赖的问题空间。作为一个例子,虽然技术上是“我大量的数据,”在现实中有用的数据量来训练一个预测模型是相当有限的。与社交媒体数据,可以收获似乎没有限制,芯片设计数据只有在断裂的环境中,技术是不断变化的。想象一个无人驾驶汽车,将不得不承认新规则或路标每隔几个月,只允许一次火车的路上。在芯片设计,机器学习模型的训练可能会发生在每个客户独立环境在设计水平,并为每个铸造技术节点级别的生态系统。
尽管存在这些挑战,有很好的应用机器学习,如果你明智地选择你的方法。显然,与图像识别算法不同的是,我们不能在数以百万计的静态图像训练预测对象。因此,我不认为纯粹的预测模型是实用的设计水平。相反,预测模型最意义来取代一个启发式算法的工具;想到一个更准确的预测路线刚果民主共和国在早期设计阶段,或延迟模型的选择优化,甚至签收。在Synopsys对此,我们取得了一些非常令人印象深刻的成果通过实现这些技术在我们现有的EDA工具,例如快5倍黄金时段电力恢复,或者快100倍高σHSPICE仿真。
在人类设计层面,可能有许多机器学习应用程序帮助自动化设计过程,目标努力向“没有人性的循环中的设计流程。在这方面,有许多可能的应用从预测流动,例如输入选择的自动选择一个设计流程,更快的调试,最终,更多自治的过程,如自动创建平面布置图和复杂的设计决策。这些应用程序将使用各种不同类型的机器学习技术。
云计算服务的可用性,降低成本的计算和专门的AI加速器的出现将发挥关键作用使这些自动化在未来。
人工智能芯片设计的道路不是一个简单的例子,事情不会在一夜之间发生。但是有很多有前途的技术,完全有能力改变芯片设计的方式。尽管AI会带来突破性的潜力,它将赋予设计师,而不是取代它们。
|
|
|
|
|
|
|
|
|
|
留下一个回复