人工智能被用来改进芯片布线和设计

加利福尼亚州圣克拉拉——九家公司和三所大学已经开展了一项研究工作，看看机器学习是否可以解决电子设计中一些最棘手的问题。该中心是整个行业试图利用新兴技术的众多努力之一。

与科技领域的许多想法一样，“这一切都始于一个下午的咖啡店，”机器学习高级电子中心 (CAEML) 主任 Elyse Rosenbaum 说。

“我们面临着共同的问题。我们需要跨越电迁移和电路领域的行为模型，但不知道如何获得它们，因为同事们对不同的应用感兴趣，”罗森鲍姆在 DesignCon 活动的主题小组讨论中说。

“我们知道我们不会为一个特定问题获得资金，因此我们决定我们需要解决所有这些问题，与其他大学联系，共同研究非常适合在电子产品中使用的不同机器学习技术和算法，”她说。

这项工作得到了美国国家科学基金会以及九家公司的支持：Analog Devices、Cadence、Cisco、Hewlett-Packard Enterprise (HPE)、IBM、Nvidia、Qualcomm、Samsung 和 Xilinx。该中心由伊利诺伊大学厄巴纳-香槟分校、北卡罗来纳州立大学 (NCSU) 和佐治亚理工学院联合主办。

到目前为止，该小组已经确定了感兴趣的领域，包括高速互连、电力传输、系统级静电放电 (ESD)、IP 内核重用和设计规则检查。Rosenbaum 的研究团队将探索使用循环神经网络来模拟电路的 ESD 特性，以便系统首次通过资格测试。

她说：“我们希望对无法使用现有技术的现象进行建模……例如依赖于供电网络和多核交互的 ESD 特性”。

障碍之一是找到将神经网络预测限制为物理有效输出的方法。她说，总的来说，研究人员需要仔细构建机器学习过程中的每一步，从获取良好的训练数据到选择候选模型、训练它们并验证它们的结果。

“我们通常创建的大多数都是具有预期输出的判别模型，[但机器学习创建]生成模型 [that] 给出输入和输出之间的概率——这对于诸如芯片制造差异之类的统计问题很有用，”她补充道。

HPE 存储部门的杰出技术专家 Chris Cheng 举了几个他想应用机器学习的领域的例子。例如，他预计芯片供应商将在未来提供交互式组件模型，因为神经网络工程师可以通过云服务进行测试和训练。

Cheng 还建议，可以使用机器学习将渠道分析作为云服务来处理。此外，他勾勒出将神经网络嵌入到动态学习均衡技术的示波器中的想法。

Cadence 已经在尝试利用机器学习来突破芯片设计中的棘手问题，该公司 Virtuoso 模拟设计工具的研发高级总监 David White 说。机器学习可以提供处理高级节点设计规则和大型芯片设计增加的方法。

White 描述了一种未来的工具，它可以在设计过程中就电迁移和寄生提取等问题提供反馈。他说，这种能力可以减少芯片设计人员今天循环的许多迭代循环。

NCSU 教授 Paul Franson 表示，一名学生已经使用机器学习将芯片布线的迭代次数从 20 次减少到 4 次。