机器学习电子设计自动化:解锁新的设计
关键的外卖
机器学习在EDA的范围。
机器学习如何与设计师来改进设计。
机器学习之间复杂的关系,高层次的综合,设计空间探索。
机器学习的实现存在于一个谱,更全面的解决方案需要更密集的和新颖的模型
电子设计自动化软件的的门槛大大降低电路设计和增加的速度发展,为用户提供强大的工具集。几乎以相同的方式,机器学习定位作为新的革命EDA软件解决方案通过提供自动化的能力大部分的设计和布局的过程。虽然仍有一些重大缺陷处理,该领域是快速增长的新的和创新的技术,更有效地解决设计挑战。喜欢数学和编程相对新兴的发展,推动了机器学习抽象设计的电子设计自动化提供了保证,使设计工作,主要是计算计算机和释放设计师高级设计最好的迎接挑战。
电子设计自动化水平的机器学习功能
的宽度跨广泛的行业解决方案的一个关键优势是机器学习从电子设计自动化软件。实现的能力也是staggering-countless方法目前使用帮助导致更快的把时间发展。在电子设计自动化、机器学习有四个方面的使用,从而减少时间和改善结果:
决策- - - - - -在这里,一个模型训练更好的搜索通过可用的工具和算法来取代强力搜索或无助的搜索。主要的概念是与机器学习模型使其活跃的决策同样全面而被更快的方法,将导致提高效率。
预测能力,模型可以分析视图设计完成对新设计来指导决策。通过利用这个数据库,布局设计者可以看到一个巨大的增长效率通过机器学习工具集计的设计途径,而不必投资极其大量的时间到实际的设计过程。
优化-设计空间探索,或内镜下动态慢动作影像,是完全由机器学习模型和导航的任何数据提供科学理论指导。一般来说,这需要回归模型的形式能够目标误差函数(绝对的,均方根,或者一个完全不同的函数)积极布局形式,实实在在的功能结果。这发生在两个步骤。首先,输入和输出值考虑,最具体的层面上提供了一个衡量的总体功能电路。跟踪值可能时钟时间(确定),内存分配带宽或存储等等。与既定的价值观,电路可以获得一些内部的反馈,虽然这是更少的“意识”的努力和更多的正在进行的校准击中一个移动的目标。
完全自动化,机器学习电子设计自动化的顶点。在此设置中,数据可以实时合成使用机器学习启发式,如深度学习、加强学习。如何建立本身实际上是一个系统,能够考虑到目前的数据点,与某种批判/激励框架由两个免费子例程,使收益以可观的速度优化人类操作员。理想的部署的自动化系统还考虑一个工程师或排版设计的专家在现场监督,审查,定型后自动布局过程就完成了。
运营商和设计师的共生关系
正如上面明显的,机器学习在电子设计自动化实现的几个阶段,反映的份额逐步增加自动化相比,整个设计过程。
完全自动化,这看似科幻的东西,今天获得采用,甚至看到使用前沿商业应用。结构合理,计算能力是能够解决问题的时间尺度与专家设计师,并在某些情况下更迅速。自动化不能完全取代布局的设计专业设计师,难以只有电路排列基于有限数据集用于训练它。换句话说,机器学习只有具备处理设计的经验。
然而,更复杂的机器学习模型,可以通过概括模糊这条线的设计约束。通过关注概念,如电力行业领域,带宽,和其他类似的,明确的价值观,是受过适当培训机器学习软件可以预测特定数据集没有经验解决问题。发生这种情况没有任何水平的硬编码;系统能够推断激励前进的最好路线布局之前,取决于方面或方面需要优化。
高级合成和设计空间探索模具EDA如何
高级合成、HLS能够高级编程语言之间自动转换的硬件描述语言,像硬件描述语言(VHDL)实现逻辑门的操作原理层面上为一个FPGA用于调试目的。HLS机器学习之前已经存在,但涨幅已经增加的predictiveness翻译以及改进目前内镜下动态慢动作影像算法,包括反思历史内镜下动态慢动作影像的方法。更具体地说,这个predictiveness表现作为评估结果,基本上一个目标系统必须达到平衡精度与效率。评估结果将发生在两个步骤:
准备- - -机器学习方法必须不仅对大数据集训练准备不同的电路还会遇到但调用不同的计时和FPGA的目标。的数据必须通过整个C-to-bitstream顺序进行数据流。
建模,回归建模和分析的数据集上执行,以确定资源使用和时机。以协同的方式不同的机器学习模型应用到最高精度的估计。
内镜下动态慢动作影像,各种各样的模型是用来改善长期的标准方法。预测模型是讨论这个问题在不同的方面:一些方法模型的精度为目标,而其他的地址直接准确的学习工具。模型转换实验设计(TED)寻求平衡不仅代表数据集的成员也异常情况可能更加难以预测。
对于任何水平的设计需求和机器学习电子设计自动化集成、节奏PCB设计和分析软件工具是适合满足今天的需求的设计以及不可预见的未来发展。
大型电子产品提供商依赖节奏产品优化能力,空间,能源需求为广泛的市场应用。如果你想了解更多关于我们的创新的解决方案,跟我们的专家团队或订阅我们的YouTube频道。