美国的九家公司和三所大学共同启动了一项研发计划，以研究机器学习是否可以解决电子设计领域中一些最困难的问题；新建立的CAEML（机器学习高级电子中心）研究中心是跨行业使用新兴人工智能技术的众多尝试之一。 CAEML主任Elyse Rosenbaum最近在美国DesignCon会议的一个小组中说，该计划就像科学技术领域的许多想法一样。这是：“它发生在一个下午的咖啡厅中；我们面临着共同的问题。 ，有必要将电迁移的行为模式与电路领域联系起来，但是我不知道如何获得它，因为该行业对不同的应用感兴趣。”罗森鲍姆说：“我们知道，对于特定的问题我们无法解决。因此，我们决定需要解决所有问题，并与其他大学合作研究适用于电子设计领域的各种机器学习技术和算法。”该项目获得了美国国家科学基金会（NSF）的资助，并拥有9家公司，包括：ADI，Cadence，思科，HPE（惠普企业），IBM，Nvidia，高通，三星和Xilinx。这三所合作大学分别是伊利诺伊大学香槟分校，伊利诺伊大学厄本那香槟分校，北卡罗来纳州立大学（NCSU）和佐治亚理工学院（乔治亚理工学院）。到目前为止，该计划的参与成员已经确定了感兴趣的领域，包括高速互连，功率传输，系统级静电放电（ESD），IP核重用和设计规则检查。罗森鲍姆（Rosenbaum）的研究团队将探索使用递归神经网络对电路的ESD特性进行建模，以便该系统可以首次通过质量测试。罗森鲍姆（Rosenbaum）说：“我们希望对无法使用现有技术和直升机建模的现象进行建模。例如，ESD特性根据诸如电力传输网络和处理器中的多核交互之类的应用而不同。要克服的障碍。一种是找到一种将神经网络预测定义为实体的有效输出的方法。罗森鲍姆（Rosenbaum）指出，总体而言，研究人员需要仔细构建机器学习程序的每个步骤，从获取良好的训练数据到选择候选模型并进行训练。并验证结果。她补充说：“我们通常构建的大多数模型都是包含预期输出的可判别模型。但是，通过机器学习建立的生成模型（generaTIve模型）将提供输入和输出之间的可能性。诸如芯片制造差异之类的统计问题非常有用。 HPE存储部门的杰出技术员Chris Cheng列举了一些他想应用机器学习的案例。通过云服务培训，提供了交互式组件模型；他还预测，可以使用机器学习以云服务的形式处理渠道分析。此外，他还描述了在示波器中嵌入神经网络以使其能够动态学习均衡（equalizaTIon）技术的想法。 EDA供应商Cadence的模拟设计工具Virtuoso的高级研发总监David White表示，该公司已尝试使用机器学习解决芯片设计中的难题。机器学习可以为增加设计规则和在高级工艺节点上设计大规模芯片提供解决方案。方式。 White描述了未来，将有一些设计工具可以提供有关芯片设计过程中电子迁移和寄生抽提等问题的反馈。这种能力将减少芯片设计人员如今经历的设计迭代次数。 。 NCSU教授Paul Franson指出，一些学生已经使用机器学习将芯片缠绕的迭代设计从20倍减少到4倍。编译器：Judith Cheng（参考原著：AI Tapped to Improvement Design，Rick Merritt）