Makine öğrenimi, EDA endüstrisi için rekabetçi bir ön koşul haline geliyor. Büyük yonga üreticileri bunu onaylıyor ve talep ediyor ve çoğu EDA şirketi, zaman içinde çok daha fazlasını eklemeyi planlayarak tasarım akışındaki bir veya daha fazla adım için kullanıyor.

Son haftalarda, en büyük üç EDA satıcısı, ilgili kullanıcı etkinliklerinde makine öğrenimini araçlarına dahil etme konusunda kapsamlı duyurular yaptı ve tüm çip endüstrisi benzer bir yöne gidiyor. Makine öğrenimi, çip tasarımı için doğal bir uyumdur. Bir makineye, örüntü tanımaya dayalı olarak belirli bir görevi nasıl gerçekleştireceğini öğretir ve sonuçlar tipik olarak çok doğrudur.

Bu, bu terimler genellikle birbirinin yerine kullanıldığından yaygın karışıklığa rağmen, bir makinenin daha bağımsız çalışmasına izin veren daha geniş AI'nın tersidir. Tam yapay zeka, eğitim için çok daha fazla veri gerektirir ve sonuçlar genellikle olasılık olarak sunulur. Ne kadar çok veri - ve bu veriler ne kadar alakalı olursa - doğruluk o kadar iyi olur, bu nedenle akıllı telefonlarda ve otomobillerde yapay zeka eğitiminin çoğu hiper ölçekli veri merkezlerinde yapılır.

Çip tasarımında kullanılan veri miktarı nispeten küçüktür ve problemler son derece karmaşıktır ve genellikle tasarıma özgüdür. Bu nedenle, EDA satıcıları çeşitli kullanımlar için yapay zekayı denemeye devam ederken, ilk uygulama, takviyeli öğrenme adı verilen bir alt küme etrafında toplanıyor. Bu, denetimli ve denetimsiz öğrenmeyle birlikte üç temel makine öğrenimi yaklaşımıdır. Takviyeli öğrenme, davranışı, optimal davranış için en yüksek ödülle, kayan bir ölçekte ödüllendirir ve sürekli geri bildirime dayalı olarak bu davranışı dinamik olarak ayarlar.

IC EDA Başkan Yardımcısı Joseph Sawicki, "Bir çipin fiziksel tasarımını ve bunun üzerinde yaptığınız testleri düşünün" dedi. Siemens Digital Industries Yazılımı. "Kelimenin tam anlamıyla milyarlarca ve milyarlarca kalıp var ve bu kalıpları belirli ağ segmentlerinde bulundukları yerle ilişkilendirebilirsiniz. Sonra size 'Bu tasarım başarısız oldu' diyen test verileri alırsınız. Bazı fazladan vektörler çalıştırıyorum ve bir sürü farklı başarısızlık günlüğü alıyorum, bunların hepsi bana belirli mantık konilerinde bir başarısızlığım olduğunu söylüyor. Şimdi devasa bir devre tasarımına ve bu mantık konilerine sahibim ve bu fiziksel tasarım göz önüne alındığında, bu mantık konisinin kötü göründüğünü göstermek için eğitilebilen bir sinir ağına bakabilirim ve benim başarısızlıkların bu alanda olması muhtemeldir. Sonra bunun fiziksel kalıplarla korelasyonunu yapabilir ve bir başarısızlık elde edebilirim. Bir durumda, bir müşteriye 'Kötü olan, bu tek fabrikada meydana gelen Via 5 tungsten birikiminizdir' dedik. Ve tabii ki, standart dışıydı.

Bu, aynı zamanda daha kısa sürede çok daha geniş deneylere izin verir. Başkanı ve COO'su Sassine Ghazi, "Geçmişte yapılma şekli, tipik olarak kullanıcıların farklı kombinasyonlar çalıştırması ve belirli bir PPA'ya ulaşmasıydı" dedi. Synopsus. "Şimdi, sistem tüm bu optimizasyon alanına bakıyor ve birden fazla işi akıllıca başlatıyor. Bazen işi başlatır ve %10'da işi öldürür çünkü daha iyi bir yere götürmeyeceğini bilir. Sonra yedek alıp farklı bir şube açıyor ve 'Verebileceğim en iyi sonuç bu' diyor.”

Şekil 1: Takviyeli öğrenme modeli. Kaynak: Özet

Perspektif olarak bakıldığında, tasarımdaki karmaşıklık, insan beyninin tüm olası kombinasyonları ve etkileşimleri makul bir süre içinde sıralama kapasitesini çok aşıyor.

PathWave Software Solutions'ın başkan yardımcısı ve genel müdürü Niels Faché, "Cihaz modelleme ve karakterizasyonumuzun bir kısmı için AI/ML kullanıyoruz" dedi. Keysight. "Tasarımları optimize etmeye her baktığınızda ve çok sayıda simülasyon çalıştırdığınızda, bu, bunu çok daha verimli bir süreç haline getirebilir. Örneğin, farklı kanalları yapılandırmanız gereken bir 6G sistemini düşünün. Standart yaklaşım, birçok farklı koşulu simüle etmektir ve en uygun sonucu bulmak uzun zaman alabilir. Bu süreci önemli ölçüde hızlandırabiliriz. Yani 6G ile bunun için çok büyük bir oyun olacak ve bu bizim üzerinde çalıştığımız bir şey.”

Aynı şekilde Ansys, onu güç şebekeleri oluşturmak gibi uygulamalar için kullanıyor. şirketinde ürün pazarlama müdürü olan Marc Swinnen, "Bu, kat planlama aşamasında gerçekten erken yapıldı" dedi. Ansys. "Kaç kayış olacak, ne tür bir hatve ve bu kayışlar ne kadar geniş olacak gibi bazı temel sorular var. Köşelere kaç tane via koyayım? Kaç yüzük? Bunlar temel mimari sorular ve pek çok olası kombinasyon var. Hangi katmanları kullanacağız? Bunu yarım düzine parametreyle karakterize edebileceğiniz ve size en iyi gücü vermek için optimum perdeyi ve optimum geçiş yoğunluğunu bulabileceğiniz bir uygulamamız var. Termal de ilk beklediğimizden daha erken gelir. Elektro-termal üzerinde çalışmaya başladığımızda, onay vermeye bakıyorduk, ancak insanların başlangıçta en çok prototip oluşturma aşamasında endişe duydukları çok hızlı bir şekilde anlaşıldı. Bu çok kalıplı sistemleri nasıl bir araya getirebileceklerine ve hatta blogların kat planlarına dair hızlı tahminler istediler, çünkü başlangıçta yanlış kat planı yaparsanız ve sonunda sadece ısıyı karakterize ederseniz ve yakına iki çok sıcak şey yerleştirirseniz birlikte, bu bir felaket. Bundan kurtulmak çok zor, bu yüzden akışta daha erken olması gerekiyor.”

Sıcak başlatma ve soğuk başlatma
Özellikle takviyeli öğrenme, tasarım ekiplerinin hem yeni bir tasarım hem de bu tasarımın türevleri için daha hızlı daha iyi sonuçlar elde etmesine önemli ölçüde yardımcı olabilir.

Başkanı ve CEO'su Anirudh Devgan, "Bu tür yeni takviyeli öğrenmenin en önemli avantajlarından biri, EDA endüstrisinin daha önce uygulamadığı otomasyonu uygulamaktır" dedi. Ritim. "Büyük müşterilerimizden biri bana, yer ve rotanın şimdiye kadar yazılmış en gelişmiş ticari yazılım olduğunu düşündüklerini söyledi. Ve bu programların birçoğunda, ister doğrulama, ister yer ve yol veya analog olsun, pek çok karmaşıklık var. Ancak EDA'nın asla çoklu çalıştırmaları optimize etmediği şey. Yani bir çalıştırma yaparsınız, girdi alırsınız, çıktı alırsınız. Ve bir sonraki koşuya geçtiğinizde bilgi aktarımı olmuyor.”

Bilgi aktarımı, pekiştirmeli öğrenmenin en büyük faydalarından biridir. Temel olarak verileri toplar ve bir depoda saklar.

Synopsys'te yapay zeka ve makine öğreniminden sorumlu başkan yardımcısı Thomas Andersen, "Geçmişte bir şeyin işe yaradığı bilgisi birçok insanın kafasındadır" dedi. “Bu insanlar başka bir şirkete geçince ne oluyor? Veya farklı yerlerde olduklarında ve birbirleriyle konuşmadıklarında ne olur? Su soğutucunun başında 'Hey, bunu denemelisin çünkü sana daha iyi güç veriyor' diyen birini bulabilirsin. Bu sistemin güzelliği, tasarımların davranışını öğrenmesi ve istatistiksel modeller oluşturmasıdır. Bu yüzden, bir dahaki sefere tasarımda bir evrim geçirdiğimde - ki bu farklı olabilir ama aynı zamanda çok fazla yeniden kullanılabilir - tüm bu bilgilerle başlayabilirim.

Bu, "sıcak başlangıç" olarak adlandırılan şeydir ve giderek karmaşıklaşan tasarımlar ve daralan pazar pencereleri ile, her şeyi yeniden tasarlamak zorunda kalmadan pazara sunma süresini kısaltabilir.

Cadence'den Devgan, "Soğuk bir başlangıçla sıfırdan öğreniyorsunuz," dedi. “Bir şirket içinde sıcak bir başlangıç ​​yapılabilir ve bazı ortak bloklar için işe yarar. Yeniden kullanım için bir sonraki model. Ortak IP için dökümhane ile önceden eğitilmiş bir model üzerinde çalışabilirsiniz. Tüm veriler şirkette var. Kendi verilerinizi benimsersiniz.”

Yaklaşım, birçok tasarım başlangıcından toplanabilecek verilere dayanmaktadır. CMO'su Steve Roddy, "EDA, model eşleştirme makine öğrenimini kullanmak için mükemmel bir hedeftir" dedi. kuadrik. "Steroitlerle ilgili min-cut algoritmalarınız var. Yerleştirmeniz gereken milyarlarca şey var ve sınırları aşan kabloları en aza indirmeye çalışmalısınız. Farklı EDA araçlarına güç veren ardışık algoritma yinelemeleri oldu ve hepsi, 'Bütün bunları yerleştireceksem, bana en kısa ortalama kablo uzunluğunu, minimum sayıyı verin. teller ve geçişler.' İki veya üç kat metalimiz varken bu kolaydı. Artık 14 metal katmanı ve 82nm'de 3 maske var. Ancak, alet zinciriniz aracılığıyla yürütülen binlerce yer ve rota işi geçmişiniz var. Örüntü eşleştirme ve bir tür makine öğrenimi oluşturmak için daha iyi bir eğitim veritabanı olabilir mi? Böylece, aldığınız bir sonraki RTL seti için 'Bunu anlıyorum' diyebilirsiniz. Ve makine öğreniminin gerçekte olduğu şey bu."

Daha fazla veri, daha fazla yetenek
Tam yapay zeka daha uzaktadır ve doğru olması çok daha zordur. EDA sağlayıcıları, yeterli verinin olduğu ve sürecin çabayı gerektirecek kadar zaman alıcı olduğu her yerde kullanmaya başlıyor, ancak şu ana kadar kullanımı sınırlı.

Siemens Digital Industries Software Kıdemli Mühendislik Direktörü Jeff Dyck, "3 milyar görüntü üzerinde eğitime giderseniz, bir keçinin neye benzediğini ve bir evin nasıl göründüğünü öğrenebilirsiniz" dedi. “Bunu yapmak için bir ton veriye ihtiyacınız var. Burada yaptığımız şey farklı. Simülasyonu bir şey üzerinde çalıştırmamızın nedeni aslında bunun cevabını bilmememizdir. Nasıl göründüğünü bilmiyoruz. Daha önce hiç görmemiştik. Bu yeni bir tasarım veya belki de yeni bir süreç versiyonunda geliştirilmiş bir tasarım veya buna benzer bir şey. Ve bununla başa çıkma şeklimiz, baştan başlamamızdır. Eski tasarım verilerini almayız ve bir sonraki şeyin benzer şekilde davranmasını umarız, çünkü çip tasarımının gerçek dünyasında öyle değildir. Bu nedenle, yaptığımız şey için büyük veri kümeleri üzerinde eğitim o kadar yardımcı olmadı. Bazı geçmiş verileri kullanıyoruz ve aynı tasarım üzerinde başka bir yineleme yapıyormuşsunuz gibi mantıklı olan cepler var. Ancak bir sürü şey üzerinde çalışıyorsanız ve daha önce hiç görülmemiş bir sonraki şeyin böyle görünmesini umuyorsanız, bu o kadar da kullanışlı değil.

Bu sadece daha fazla veriyle ilgili değil. Aynı zamanda iyi verilerle ilgili. AMD teknik ekibinin ana üyesi Monica Farkash, yakın tarihli bir panel tartışmasında "Projelerim sonunda çok fazla veriye sahip olduklarını fark ettiler ve bazen yanlış veriler elde ettiler" dedi. "Çoğu zaman sadece verileri getirir, analizi yapar ve gereksiz olduğunu fark ederdik. İşe yaramaz bir veriydi. Gürültü var, ayrım gözetmeksizin oraya atılan pek çok başka şey var. Bazen verilerin %20'sini, hatta bazen bundan daha azını kullandık ve tam olarak gereken şekli ve formu kullanamadık.”

Bu, tam yapay zeka kullanımının günümüzde makine öğreniminden çok daha sınırlı olmasının bir nedenidir. Satıcılar, çalışırsa çip tasarımında büyük bir değişimi temsil edecek olan yapay zekayı nereye uygulayacakları konusunda oldukça seçici davrandılar.

Cadence'den Devgan, "Yapay zekanın gerçek değeri optimizasyondadır" dedi. "Yapay zekanın ilk günleri olan model eşleştirme yararlıdır ve biz geometri işleme ve desen eşleştirme yapıyoruz. Ancak asıl değer, karar verme optimizasyonudur. En iyi çerçeve nedir? Degrade tabanlı her türlü optimizasyon yöntemimiz oldu. Ancak yapay zekanın sağladığı şey, gradyan tabanlı olmayan bir optimizasyondur ve takviyeli öğrenme buna izin verir, böylece optimizasyonu hiç uygulamadığımız şeylere uygulayabiliriz."

İster tam yapay zeka ister makine öğrenimi olsun, sektörde çok daha köklü bir değişim potansiyeli var. Eskiden bir tasarımda neyin işe yarayıp neyin yaramadığına dair en değerli veriler fabrikadan geliyordu. Oradan, rutin olarak hiçbir zaman yeterli veri alamadıklarından şikayet eden tasarım ekiplerine ve EDA şirketlerine geri döndü. Bu durum yıllar içinde düzeldi, ancak yine de orantısız. AI/ML ile verilerin iki yönde akması gerekir ve potansiyel olarak daha önce pratik olmadığı düşünülen şekillerde birleştirilebilir.

Sawicki, "Fiziksel tasarım içinde, üzerinde çalıştığımız şeylerden biri, fabrika katından aldığınız kusur bilgilerini içeriyor" dedi. "Ve şimdi, diğer kalıpların kötüye gidebileceği hakkında daha fazla bilgi edinmek için görüntü kalıplarımın buna nasıl bağlandığını anlamak için bunu geri bağlamak istiyorum. Bu, örneğin makine öğrenimi, OPC ve benzeri işlemler için kullanılan Calibre'nin diğer bölümleriyle aynı araç altyapısı üzerinde yapılıyor. Böylece, bir dizi farklı uygulama etrafında ortak bir altyapı kurabilirsiniz. Bu, Calibre ve işlevsel doğrulama için çalışan bu tek AI motora sahip olduğunuz anlamına gelmez. Bunlar çok farklı problemler. Ancak insanların nerede öğrenecekleri arasında çok fazla etkileşim var.”

Sonuç
Yapay zekanın bir alt kümesi olan makine öğrenimi ile EDA'da uygulanması çok daha zor olan daha büyük yapay zeka arasında ayrım yapmak önemlidir. Sık sık terimler, araç adlarında bile birbirinin yerine kullanılır. Ancak sonuçların yeterince doğru, tutarlı ve ölçeklenebilir olup olmadığını anlamak zaman aldığından, gerçek yapay zeka yarı iletken tasarımına yalnızca yavaş bir şekilde uygulanmaktadır.

Yarı iletken tasarımı çok daha karmaşık hale geliyor ve gelişmiş paketlemeye geçtikçe, aynı zamanda çok daha alana özgü ve heterojen hale geliyor. Bir tasarımın birden fazla bölümünü kapsayan kalıplar bulmak ve ardından hangilerinin diğer tasarımlara ve hatta türevlere uygulanabileceğini belirlemek, EDA şirketleri için büyük bir zorluktur. Ancak aynı zamanda, potansiyeli gerçekleştirmek için çip endüstrisinin bugün sahip olduğundan daha fazla uzmanlık gerektiriyor.

AMD'den Farkash, "Yapay zekayı öğrenme çözümlerine uygulamak için ne yaptığını bilen insanlara ihtiyacınız var" dedi. “Onları eğitmeli, okuldan çıkana kadar beklemeli ve gitmemiz gereken yerde bize yardım etmeliyiz. Ama öte yandan, ne yaptığını bildiğini sanan insanlardan da korkmalıyız. Yani bu en büyük zorluk olacak. Fırsat kolaydır. Makine öğrenimi süreçlerini uyguladığım iki düzine farklı konu üzerinde çalıştım ve nereye baksam bir fırsat görüyorum - çoğunlukla tasarım keşfi, doğrulama ve simülasyon için. O heryerde."

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
• Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
• Kaynak: https://semiengineering.com/eda-makes-a-frenzied-push-into-machine-learning/