快捷搜索:

机器学习能否提供针对EDA设计挑战的解决方案

机械进修,无处不在!

人工智能正在改变我们周围的天下,为举世经济各个领域的立异创造了一条道路。如今,人工智能可以经由过程自然说话与人类互动。识别银行敲诈并保护谋略机收集;在城市街道上开车;并玩象棋和围棋之类的繁杂游戏。机械进修正在为我们周围的许多繁杂问题供给办理规划,在这些问题中,阐发办理规划可能过于昂贵或实际上是弗成能的。芯片设计怎么样?ML是否可以供给针对半导体工程中关键问题的办理规划?

大年夜量的设计寻衅

多年来,EDA行业在繁杂系统的建模和设计创建中供给了许多办理规划。EDA中的大年夜多半设计问题都是NP难题;根本没有多项式光阴算法可以办理这些问题,是以无法经由过程阐发确定最佳办理规划。因为大年夜量新的设计寻衅,当今的EDA系统发明很难满意先辈的工艺节点要求(图1)。

更糟的是,这些要求是互相依存的,必要在多个设计优化平面上同时斟酌。应用的实际利用法度榜样和技巧在很大年夜程度上取决于每个特定的问题空间。在造访设计情况有限的环境下,若作甚特定问题筹备通用办理规划?

经由过程AI增强的设计对象,可以进修和改进

机械进修(ML)供给了启用自优化设计对象的时机。就像自动驾驶汽车察看现实天下的交互感化以改良其在不合(本地)驾驶前提下的相应一样,人工智能增强对象能够在支配后在(本地)设计情况中进修和改进。这些新功能可以嵌入到不合的设计引擎中,从而为EDA开拓职员供给了适用于当今苛刻的半导体设计情况的新办理规划库。

示例:优化历程中的快速延迟猜测

高档节点的繁杂物理效果和锻造规则可能会影响设计趋同。存在多种用于旌旗灯号完备性,波形传播,噪声等的建模功能,可以正确谋略延迟。然而,这些功能在谋略上是昂贵的,并且在预布线设计步骤时代必要审慎应用。一个ML 滞后预估是可以练习捕捉之前到之后的路线准时设计成长的多个阶段的相关性,供给上游引擎更快的洞察繁杂的下流效应,实现更好的决策的统计模型。延迟猜测器改良了设计收敛性,并加速了设计向更好的PPA演进(图2)。

扩展ML Predictor典型

全部类其余ML猜测器都可以查找DRC热点,EM / IR散播等等。其他类其余ML模型为自优化设计对象供给了多种好处(图3):

- 机械进修优化器:受监督的机械进修了先前的优化动作并将其直接利用于相关的设计拓扑,并利用于ECO,缓冲,Vt选择和DRC修复

- ML量词:无监督 ML便于更有效的算法选择,加快整体运行时,同时,可电路设计,测试和良品率阐发新的利用

- ML调整法度榜样:勘探技巧,可以让对象更好的履行情况和裁缝的懂得他们的需求到可用的谋略资本

这些引擎可以预先辈行预练习,也可以在设计历程中进行自练习。他们在设计情况中赓续进修和改进,以更快的速率得到更好的QoR。

Next:一个AI增强的设计平台

Synopsys 于2018年推出了业界首个AI增强对象(Primetime ECO)。此后,我们不停稳定地在我们的设计平台中继承引入新的ML模型,从而能够改良QoR和更快的周转光阴以办理棘手的设计问题。如今,在Synopsys AI增强对象中,在数字实现,电路仿真,测试,物理验证和签核等领域有许多ML模型,并计划在2020年宣布更多模型。AI增强的Fusion设计平台:精心设计,自我优化的设计情况,它将逾越单模型办理规划,并经由过程ML-Everywhere供给更好的全部设计情况的端到端QoR!

责任编辑:gt

您可能还会对下面的文章感兴趣: