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，机器学习可以有许多不同的风格。
机器学习如何预测适应核心布局活动。
利用机器学习在芯片设计中产生结果。

模拟信号脑半球输入，数字信号AI脑输出

机器学习通过预测和分析方法帮助车载系统更像人类一样运行

在众多行业中，人工智能有望开辟产品开发的新途径。通过复杂的算法，机器学习可以用于读取和预测实时数据集。随着现实生活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的早期采用者来说，有很大的机会。为电子设计自动化在美国，机器学习是彻底改变传统工作流程的关键。

机器学习的风格

机器学习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，该算法依靠某种判断来帮助对它正在查看的数据进行排序或评级。机器学习是一个广阔的领域，有许多不同的方法可以根据所分析的数据集组织算法，以及在设计空间本身中实现算法。

在抽象的最高层次上，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，定义机器进行哪种学习风格不那么重要。

知识获取类型	解释
监督式学习	用于训练未来数据集的标记离线数据集;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来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、路由等提出解决方案，这是一项非常独特的工作，在标准的实现方面。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，他们将产生两个独立的板文件，分别满足工程师设定的所有目标。当然，这就是设计审查允许反馈的地方，在提供的参数内最大化电路板的操作。

差异化设计将包括以一种集成原理图、制造材料、制造工艺和可用组件的约束的方式优化电路板的特性。从布置到布线，机器学习可以半自主或完全自主地指导布局过程:

位置- - - - - -最初，机器学习模型需要考虑组件的放置．通过研究电路之间的几何关系和确定设计决策的成本，加固系统可以使用它们的激励方案来优化布置。目前的放置模型擅长处理原理图的逻辑，但提供了次优的数据路径放置。为了解决这个问题，使用自动数据路径提取(PADE)的放置已经看到了它的使用增加。PADE通过神经网络和支持向量机算法将数据路径逻辑从电路的一般逻辑中分离出来。
路由,机器学习就像人类操作员一样需要设计规则。事实上，在这一点上，设计流程有些倒退，因为它是路由及其管理规则定义的位置，而不是相反。对于机器学习解决方案，这可以采取卷积神经网络的形式检测DRC违规行为一直使用成像来分析引脚，并预测路由在设计中可能会变得拥挤。路由还必须考虑电路特性，如时钟/定时、功率消耗和拓扑结构;这通常可以通过一些常见的基于回归的算法来实现，如支持向量机(SVM)、随机森林(RF)和增强。
电源设计-设计师总是在寻找减少功率消耗的方法。轻功耗使单板在现场具有更高的可靠性，同时降低了能耗。基于机器学习的功率设计的一种解决方案是使用经过训练的神经网络来加快频域的计算。通常，由于时域的固有依赖性，计算需要在频域进行。然而，信号的计算最好在时域中执行，例如使用信号卷积形成一个眼睛图。

眼图是分析设计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，这也许并不令人意外。两种生产工艺，光刻和掩模优化，由于效率的提高，是研究兴趣的领域:

光刻-利用支持向量机检测路由和路径预测中的热点，进一步抑制热点的发展。随着芯片密度的不断增加，诸如端到端对象检测模型等替代方法可能会得到进一步的发展和使用。
掩码优化-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。正如光刻的情况一样，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，目前的掩码方法可以用来预训练算法。