Predictive AI-Centric SPICE：节能策略

预测性AI-Centric SPICEEDA工具有望提高电路设计生产率的订单数量。所有这些都消除了放置组件，键入命令，将设计流保持在跟踪，编写脚本，通过电路库进行狩猎等等的需求。但是，预测性AI-Centric SPICE工具不会停止。类似于预测性在线消费者广告的工作方式，Spiceai工具将提供相关和简洁的设计注释，建议设计策略，甚至为您实施，模拟和评估它们。预测性AI开始更好地了解您，将为您的工作日建立特定于香料设计的空间，在早上简短，并且晚上提供了您的电路的能源指标及其自身的能耗和能源电网影响报告。

定义的预测性AI以AI-Centric SPICE

凭借以AI-Centric SPICE的目标仍然存在，该定义仍然需要答案。今天的答案是多维的，并且取决于您提出的工程师可能会增加或可能不会增加多维价值。

硬件答案是可扩展的并行计算。具体而言，可以在多个IP核心模型的多个级别上同时在多个级别上执行多个IP核心模型的平行计算，该计算可以执行多个矩阵重音算法计算算法(DC，瞬态，频率，噪声，Pvt Corner，Monte Carlo)。更重要的是，在预设计算时间内完成的模拟，缩小或向上缩放，以确保AI模拟工作负载不会超过能源合规指南。

在预测域中，AI-Centric SPICE工具知道要做什么，可交付成果，如何完成以及需要做什么。对于初学者，预测AI配置了设计项目所需的硬件和软件平台。在电路设计域中，它决定了哪种半导体过程技术以及哪些IP核心细胞和宏是最好的选择。由于EDA设计流是良好的，因此预测性AI工具不必等待人类命令，因此它知道必须以什么顺序运行分析算法，以及巡回赛设计和仿真问题可能是什么。如果没有，它将很快在记录并搜索每个操作员的计算机击键时学习。

香料学习曲线答案..文本提示

尽管开箱即用的并行计算可能会令人印象深刻，但当今的设计师将即时的模拟结果视为理所当然。在新的AI工具世界中。承诺是零时间学习曲线。在当今的EDA生态系统中，一种消除了繁琐，过于复杂，适得其反的操作程序的工具。

为了减少学习时间并提高日常生产率，希望是与双子座或副驾驶类似的香料文本提示接口。理解人类文本命令的文本界面消除了学习隐秘编码命令和冗长的按钮序列的需求。具体而言，具有足够高的智商水平的文本接口，可以轻松理解和实施下一步要做的工程师。像：

“设置一个表征电路，以确定SIC JFET的直流和AC电气规格。”

或者：

“执行所有必要的电气特异性模拟，然后生成数据表。”

矩阵计算…时间和能量瓶颈

矩阵计算，一种可以追溯到公元前300年的数学技术在AI软件和硬件中无处不在。尽管具有独创性，但矩阵计算仍作为基本AI计算算法的缺点。具体而言，它是计算密集型的，这意味着能源密集型。随着矩阵重量的数量超过数十亿到无限，模拟器的能量影响不可忽视。尽管看似可以容忍，但AI的能源危机更多地是关于没有准备的 AI能量网格， 而不是能量本身。

理想情况下，以AI-Centric SPICE工具不会使用矩阵强算法。将消除涉及100,000 x 100,000矩阵的收敛问题和冗长的电路模拟，但是解决矩阵算法香料的替代方法已依赖于50多年?

减少香料能源成本的一种方法是一种基于推论和逻辑的预测结构方法。推理和预测驱动的香料工具可以识别电路结构并在没有矩阵计算的情况下确定其功能。例如，可以使用逻辑而不是矩阵数学来确定具有在某些范围，欧姆，megaohms microfarads等内具有组件的运算符电路，或者是一个过滤器，或者对于该范围的带宽滤波器，带宽在音频范围内。更重要的是，基于推理的IF-IF-THEN逻辑可用于训练以AI为中心的机器以识别原理图的功能，实现电路函数，并确定电路设计是否会收敛还是不会收敛。

神经学习

AI-Centric SPICE工具的一个级别是神经网络，特别是神经网络权重。随着神经网络通过连续的反复试验学习，它会改变原始的重量矩阵。在某一时刻，神经网络确定了最佳设计结果所需的确切权重。在香料电路图中，权重为组件值。例如，一个10kΩ电阻的重量为10,000。重量不止于此，电阻器的重量也包括温度系数，方差，尺寸等。

为了减少神经学习的能源网格需求，该方法是创建和使用已被证明可以减少矩阵 - 强大的模拟重申的神经种子的数据集，以了解如何为这种工作来说明这项工作，以进行思维的自主能量能量量化的电路设计。这里的电路设计过程需要初始的重量阵列或神经种子。或在普通电路设计语言中，第一个通过设计尝试。通过反馈机制，运行连续的电路模拟，评估了模拟结果，并且电路权重发生了变化。这样做直到在此示例中，权重产生在指定能量极限内的电路。反过来，这些权重用于神经种子。

预测视觉界面

以AI-Centric SPICE的视觉接口虽然不是涉及的AI算法的基础，但它用于构建或指导基于文本及时的电路设计。香料聊天不需要双子座的词汇。为了简化香料聊天设计，一种方法是简单地忽略尚未接受过培训的单词。

智能模拟世界中的预测视觉接口或GUI是动态的。它们是根据设计项目的性质生成的。一个名为SIC类AB放大器的设计项目就像物理电子工作台一样，将自动设置为虚拟SIC设计工作台。

视觉界面还为设计师提供了文本提示熟悉的词汇的了解。可以猜到的是，SIC设计的AI Spice聊天的词汇包括在SIC JFET或MOSFET数据表中找到的技术规格的首字母缩写和全名。对于SIC音频类AB电源设计项目，高级智商香料工具有望具有高级模拟设计词汇。更重要的是，预计视觉接口将向设计的可行性提供建议，并在设计过程启动之前显示预期的仿真结果。

训练有素的预测模拟器很可能有一个警告箱。例如，要警告您尝试执行低温SIC电路模拟可能是设计和应用程序徒劳的。

预测数据集和数据库

以AI-Centric SPICE操作的核心是其数据集。对于香料，数据集自然包括模型库，相关的数据规格，先前完成的设计，网表和电路结构。香料生成的工程报告，图，热分析模式等。数据集也可以以公司间的技术报告或USPTO的专利形式出现。 AI-Centric SPICE工具可以使用这些数据集生成针对计划的电路设计项目的报告。来自该数据集的AI-Centric SPICE报告可能能够回答诸如哪个问题，实际上哪个SIC对电流的流量最高?或者，实际上，SIC JFET对电流的排水最高?

结论

预测性AI-Centric SPICE

工具将作为人类设计助理。最初能够接受广义设计命令，它们将演变为独立工作。他们将具有文本，视觉和层次结构接口，这些接口直接连接到明显的独立且越来越多的结构化数据集：文本接口将使设计人员可以选择哪些数据集用于从中提取和编译报告。以AI-Centric SPICE工具将基于使用电路组件权重和连接图的预测猜测产生第一频繁的设计和仿真结果，该猜测确定了设计设计的意图，功能和可行性。有了所有这些，领先的以AI-Centric SPICE工具必须具有极低的能源需求，并且始终产生屡获殊荣的能源优化电路设计。