AI正在改變芯片設計

　　通過幫助他們找到問題，引起他們對突然改變的行為模式的注意，可以幫助加速工程師的工作。

　　Baines說，“這可能是像相機應用中那些不變的像素。你說，'看起來很奇怪'，你期望像素發(fā)生變化。這可能意味著攝像頭出現(xiàn)故障，卡住了。也可能是一個安全應用程序，其中永遠不訪問安全內存的一個特定進程，并且它會嘗試這樣做，異常檢測器會說'這是不對的，開燈并發(fā)出警報。至少好的一方面，是會發(fā)出警報。這就像一個防盜報警器。如果夜間有人在你家外面踱步，你有一個可以檢測到他們移動的光線感應器，此時它打開燈并發(fā)出警報——即使他們沒有真正嘗試進入，即使你的鎖仍然完好無損，他們無法進入房子，但你會知道有人在試圖做一些事情。它是TrustZone、OmniSecure或諸如此類的之上的一個額外的安全層。”

　　機器學習和仿真

　　正在使用機器學習的另一個領域是確定如果在下個月運行仿真或者如果將仿真與其他仿真器進行比較，仿真的可重復性如何。這也適用于制造測試，結果的周期之間要相關，信號之間也要相關。

　　西門子公司Mentor的產(chǎn)品營銷經(jīng)理MarkOlen說，“機器學習帶來的挑戰(zhàn)是你放棄了人類控制事物的能力，這是關鍵所在。如果我使用帶有便攜式激勵的機器學習技術在我的1000個CPU上進行模擬，它將根據(jù)設計響應的方式產(chǎn)生一組結果，因為它從設計的響應中學習。

　　“但假設在運行幾個小時后，我們發(fā)現(xiàn)設計中存在兩個bug，我們將設計發(fā)送給設計人員，他們修復以太網(wǎng)模塊或修復結構仲裁方案或其他之后，再次運行仿真。如果使用機器學習再次仿真，則會得到不同的結果。你不會得到完全相同的周期間相關性，因為設計運行不同，可能是因為對它的修復。然而，這對工程師造成了很大的不確定性，因為他們表示他們想要在完全相同的條件下運行完全相同的激勵，但實際上設計發(fā)生了改變。

　　“正因為如此，我們在我們的某些技術中進行了切換，這些技術可以關閉部分機器學習功能，以便能夠以前所做的某種模擬模式運行。與此同時，有一些先進的客戶對這一理念感到滿意，并且正在使用全部功能。”

　　隨著設計團隊反復運行仿真，將進入片外指標的數(shù)據(jù)挖掘。這里，Mentor內部和其客戶有用的是一個名為Jenkins的開源軟件生態(tài)系統(tǒng)。Olen說，“這是一個非常熱門的話題，所有人都喜歡它，因為它是免費的。但也不是完全免費的，因為即使它是一個開源的生態(tài)系統(tǒng)，你必須作為用戶進行投資來進行實際整合。我們投入了大量資金將我們的系統(tǒng)整合到Jenkins環(huán)境中。”

　　Jenkins的主要優(yōu)勢之一就是它能夠像觸發(fā)器一樣。他說，“你可以有一個定時觸發(fā)器表明每個人在星期五晚上回家時，有10000臺臺式電腦閑置，讓我們使用它們。因此，在周五下午9點，無論是否需要都會免費地開始回歸運行。然后，一旦這些回歸運行的結果完成，我們可以將所有結果合并后發(fā)回給Jenkins，以便它可以在周一早上出現(xiàn)在工程師辦公桌的某個副總裁的電子郵件中，‘好消息是，我們進行了800小時的模擬，沒有失敗。’另一個觸發(fā)事件不是基于時間，而是基于條件。例如，如果設計中存在一定程度的代碼更改，或每次修改文件時，可啟動回歸運行。你可以在晚上8點結束時自動發(fā)言。如果白天有超過三個文件被修改，那么晚上開始回歸運行。”

　　這會在運行后運行并伴隨數(shù)據(jù)的高峰之后產(chǎn)生回歸運行。這不是交易數(shù)據(jù)。這不是關于總線確認、取指或芯片上實際發(fā)生的事情。相反，這是模擬的所有結果，例如檢測到的錯誤，覆蓋率以及周期運行。但其中一個問題是，從那里有必要弄清楚如何組合多種類型的數(shù)據(jù)并將其放入可開采的大型數(shù)據(jù)庫中。

　　Olen說，“所以，如果我運行了10000個CPU，并且考慮到這一點，并在遍布全球的模擬農場中找出多少工作是多余的和無用的，是否有機會實際完成相同的工作量下一次使用5000個CPU而不是10000?當然，從來沒有人這樣做。他們實際上是仍然使用10000個CPU使工作量翻倍，這樣就能擴大范圍”

　　解決重大難題

　　Cadence研發(fā)部高級主管DavidWhite自20世紀90年代初期一直致力于機器學習，他們合作編輯并共同編寫了機器學習的第一本教科書。他說這是一套有趣的工具，可以解決特定問題。“在2009年左右，當我與越來越多的客戶合作時，我開始看到相同類型的問題越來越嚴重。問題主要在三個方面。第一個是規(guī)模。我們正在處理越來越大的設計，更多的設計規(guī)則和更多的限制，結果就是越來越多的數(shù)據(jù)。無論是模擬數(shù)據(jù)，提取數(shù)據(jù)，處理越來越多的形狀和幾何圖形，更大的技術文件，數(shù)據(jù)對我們造成的壓力越來越大。

　　現(xiàn)在你已經(jīng)有了更復雜的設計和電子規(guī)則，芯片，封裝和電路板之間有更多的相互作用，散熱成了一個問題，所以現(xiàn)在復雜度和總體規(guī)模都在增長。第三，這兩者都開始影響半導體設計團隊的生產(chǎn)力，因為規(guī)模和復雜性會造成越來越多的不確定性，導致更多的重新設計，進度錯亂等問題。“

　　White說，這些問題的核心是，該行業(yè)正在處理更多的數(shù)據(jù)驅動問題，這需要數(shù)據(jù)驅動的解決方案。而且，關鍵是要將數(shù)據(jù)轉換為可用于數(shù)據(jù)挖掘的格式。White說，“任何使用機器學習的操作或解決方案都會在前端使用某種形式的分析和數(shù)據(jù)挖掘，機器學習優(yōu)化和某種形式的并行化，通常情況下，人們會稱之為機器學習，即使它們之間并沒有明確的界限。”