利用机器学习推动电子设计自动化的新发展

2022年6月27日

关键的外卖

从算法上讲，机器学习可以有很多不同的风格。
机器学习如何预测地适应核心布局活动。
机器学习在芯片设计中的应用。

模拟信号大脑半球输入，数字信号AI大脑输出

机器学习通过预测和分析方法帮助机载系统更像人类一样运行

在众多行业中，人工智能有望开启产品开发的新途径。通过复杂的算法，机器学习可以用来读取和预测实时数据集。随着现实应用的早期结果逐渐显现，对于有兴趣将机器学习添加到其研发业务中的早期采用者来说，有很大的机会。为电子设计自动化机器学习是革新传统工作流程的关键。

机器学习的风格

机器学习它将推动许多行业的自动化，通过机器学习实现电子设计自动化也不例外。机器学习的核心是智能设计的算法，用于根据数据集提供系统反馈。为了提供反馈，该算法依赖于某种判断来帮助对它所看到的数据进行排序或分级。机器学习是一个广阔的领域，有许多不同的方法来组织基于被分析的数据集的算法，以及算法在设计空间本身的实现。

在最高的抽象层次上，教学风格指导机器决策。它可以被认为是机器学习过程背后的动机。与软件如何整合数据相比，定义机器所从事的学习方式并不重要。

知识获取类型	解释
监督式学习	一个标记的离线数据集，用于训练未来的数据集;没有细化
无监督学习	用于训练未来数据集的未标记离线数据集;没有细化
主动学习	算法从输入空间中选择数据，并在搜索过程中进行自我优化
强化学习	算法通过强化反馈与数据交互-目标是最大化奖励

基于机器学习的电子设计自动化优化

考虑一个典型PCB生产的标准设计流程。在从工程师那里收到控制文件后，布局设计师的任务是以最优化的设计方式满足电路板的所有要求。通过遵循制造商的建议以及标准的经验规则，布局设计师最终会为电路板的放置，平面设计，路由等提供一个建议的解决方案，这是一个非常独特的工作，就实施标准而言。实现布局和设计在很大程度上是一门艺术——给两个设计师相同的指令，他们将制作两个独立的电路板文件，分别满足工程师设定的所有目标。当然，这是设计审查允许在提供的参数内最大限度地提高电路板操作的反馈的地方。

差异化设计将包括优化电路板的功能，以一种集成原理图、制造材料、制造工艺和可用组件的约束的方式。从放置到路由，机器学习可以半自主或完全自主地用于指导布局过程:

位置- - - - - -最初，机器学习模型需要考虑组件的放置．通过观察电路之间的几何关系并确定设计决策的成本，加固系统可以使用其激励方案来优化布局。当前的布局模型擅长处理原理图的逻辑，但提供了次优的数据路径布局。为了解决这个问题，使用自动数据路径提取(PADE)的布局的使用有所增加。PADE通过神经网络和支持向量机算法将数据路径的逻辑与电路的一般逻辑分离。
路由,机器学习需要设计规则，就像人类操作员一样。事实上，设计在这一点上是向后流动的，因为它是路由及其控制规则，而不是其他方式来定义放置。对于机器学习解决方案，这可以采用卷积神经网络的形式检测DRC违规行为一直到使用成像来分析引脚，并预测在设计中路由可能变得拥挤的地方。路由还必须考虑电路特性，如时钟/定时、功耗和拓扑;这通常最好使用一些常见的基于回归的算法来实现，例如支持向量机(SVM)、随机森林(RF)和boosting。
〇电源设计设计师总是在寻找减少功率消耗的方法。轻量化的功耗使现场使用的电路板在提高可靠性的同时降低了能耗。基于机器学习的电源设计的一个解决方案是使用经过训练的神经网络来加速频域的计算。通常，由于时域的固有依赖性，计算需要在频域中执行。然而，信号的评估最好在时域中执行，如使用信号卷积形成眼图

眼图是分析设计的功率特性的有用工具

机器学习改进芯片设计

芯片设计也得到了机器学习算法的帮助，这或许并不令人意外。由于效率的提高，光刻和掩膜优化这两种生产工艺是研究兴趣的领域:

光刻-利用支持向量机在路由和路径预测中检测热点，进一步抑制热点的发展。随着芯片的密度不断增加，端到端目标检测模型等替代方法可能会得到进一步的发展和使用。
〇掩模优化机器学习的重点是提高将最终芯片与设计布局相匹配的过程的效率。就像光刻技术一样，目前的方法在半导体设计中遇到了密度的限制。为了解决这个问题，一种被称为生成对抗网络(GAN)的新模型产生光刻图像，并由鉴别器算法读取。为了帮助新模型，可以使用当前的掩码方法对算法进行预训练。