EliasFallon是电子设计自动化技术领先供应商CadenceDesignSystems的工程总监。他领导其定制IC研发团队和电子设计自动化(EDA)产品团队的项目开发。对于领导将机器学习和深度学习技术应用于计算软件的EDA研究项目的EliasFallon来说，他对电子设计行业的未来发展有着独特的见解。他指出，半导体芯片及其周边系统设计的下一个飞跃，将来自于EDA计算软件工具和流程的整合，以及更大规模机器学习/深度学习（DL）技术和多元技术的应用。-核心计算。当前人工智能和机器学习的创新浪潮始于GPU计算能力的提高以及设计工程师开发加速深度神经网络训练的方法。机器学习/深度学习将在下一代平台的设计中发挥关键作用，使包括5G、超大规模计算等在内的新兴技术得到广泛采用。对于Fallon来说，乐趣在于解决设计和验证过程每个阶段都存在的一些不确定性多项式(NP)难题和完整性问题。Fallon和他的团队开发设计工程师用来设计、模拟和验证集成电路、封装、电路板和系统的软件。他们面临的设计挑战非常棘手和复杂，以至于无法在给定的时间内找到最佳解决方案。根据定义，验证面临的挑战是以前从未遇到过的问题。Fallon和他的团队开发了多种复杂的算法和软件来提供最佳解决方案，这些创新推动了客户设计生产力的提高。数值求解器、布尔可满足性求解器、自适应网格划分、计算几何和迭代改进优化算法都是计算软件的示例。计算软件算法需要EDA软件工程师确定如何最好地将算法应用于手头的设计挑战，以及如何以设计术语向用户呈现各种元参数、控件和命令。下一代设计增加系统设计和验证复杂性的趋势将需要EDA工具箱中的新计算软件“工具”，以实现设计生产力的飞跃。在过去六个月中，在家远程工作的人们受益于云计算、芯片优化和互联网的进步。在电子行业的良性反馈循环中，计算软件有助于电子设计，设计团队将从未来的创新中受益。5G、超大规模计算和其他技术驱动将需要芯片、封装、电路板和系统设计方面的重大创新，为电子的未来创造可能性。通过示例学习的机器学习功能是一种新的计算软件工具，它为设计师的下一波创新浪潮奠定了基础。计算软件在提高生产力和解决电子系统设计的复杂性挑战方面取得了巨大的进步。虽然Cadence的解决方案解决了上一代的挑战，但下一代面临的设计更加复杂。系统不断增加的复杂性也增加了设计和验证过程的复杂性。这种复杂性已成为流程不断变化以采用新的最佳实践或自动化的障碍。复杂过程中的每个工具或步骤（添加新选项、命令和功能）都需要用户在采用之前了解、评估和检查其是否适合整个过程。部署机器学习以通过示例从用户那里学习设计实践并允许EDA软件工程师开发将机器学习设计实践转化为新工具流程选项的系统的能力加速了创新设计流程的采用。例如，模拟电路设计人员会根据经验知道在电路设计和布局中匹配哪些部件，但要使设计流程自动化，则会添加额外的约束和规范。机器学习模型可以从已完成的设计中学习这些设计师的最佳实践，并以针对每个设计师或设计团队的定制方式加速整个设计过程。创新系统设计公司不会与其他公司分享他们的设计或从他们那里训练的机器学习模型。因此，学习机器学习设计实践的培训必须与用户一起进行。机器学习将成为EDA计算软件工具箱中的关键工具，它看起来不同于其他行业的许多基于SaaS机器学习的产品。除了通过示例学习设计实践外，EDA中机器学习最常见的用例是预测未来的流程步骤。当所有这些不确定性多项式(NP)问题一起出现时，很难完全预测当前流程步骤的结果的影响。最常见的例子是在优化布局时了解可布线性。布局通常决定每个组件的位置，目标是最小化面积/成本和线长。路由为每个组件之间的每个信号建立连接。这些组件可能是PCB上的部件，也可能是芯片上的模块或晶体管。多年来，EDA工程师开发了许多启发式方法来改进线路长度和布线能力，同时优化电路布局。然而，由于布线和布局是一个不确定的多项式(NP)难题，因此尝试每个选项在计算上是不可行的，并且现有的启发式方法可能会遗漏许多可布线性的细微差别。通过采用以布局作为输入、可路由性分数作为输出的机器学习模型，可以创建更丰富、更快速的解决方案。EDA工具流程可以生成多个候选布局，对每个候选布局进行布线，并使用布线分数作为标记来训练机器学习模型。类似地，任何通过运行复杂的EDA流程生成许多设计候选和结果的流程都可以构建一个模型，该模型根据先前步骤的输入预测未来步骤的结果。这提供了在复杂的设计空间中找到更好解决方案的更大能力。EDA提供关键计算软件，支持复杂智能系统的设计和验证。现在正在进行的新一代技术驱动将带来许多新的创新设计。为了释放系统设计人员的创造力，EDA工具将采用机器学习作为提高生产力的关键功能。这将使设计过程能够找到更好的解决方案，并允许设计过程自动为设计师和设计团队定制。因此，机器学习技术是未来系统设计和平台创建的关键组成部分。
