电子机器学习的机遇

关键的外卖

• 学习机器学习的基础知识及其过程。

• 比较和对比机器学习和深度学习的用法。

• 电子机器学习如何改进芯片设计的真实例子。

在技术圈，很少有什么话题能像人工智能这样受到如此多的关注。随着计算能力的增长和控制系统更好地整合给定时刻可用的大量数据，自动化系统正在做决定以接近人类思维的复杂性实时计算。电子产品不再仅仅被视为数字运算器，它正迅速被用来处理一度似乎只适合科幻小说的任务。电子机器学习越来越多地进入消费者和商业技术领域，作为一种进一步提高任务速度和效率的方法，这些任务可能曾经被认为对计算机来说太抽象了。

但是，究竟什么是机器学习呢?它如何智能地引导电子设备做出更好的决策和提高效率?首先，我们将考虑机器学习的核心操作准则，它的作用在轻量化的电源设计中，最后，随着高端技术不断挑战物理世界的极限，它在辅助芯片设计师方面的众多用途之一。

机器学习:把电子设备变成勤奋的学生

机器学习是人工智能的一个子集，通过寻找模式、特征或特征来训练系统识别数据，否则将其与其他可能被误认为它的数据区分开来。这个排序过程被称为数据清理，有助于教会算法使用一些检测方法(如边缘或边界)来确定用哪个类别或哪个类别标记一个新的数据条目，并将其与已知的类别条目进行比较。简单概述了训练和提高机器视觉(或另一种形式的识别)可靠性的步骤:

• 数据收集作为教学工具的算法的输入。传统上，这些物品是常见的图像来源，例如水果或动物，但工业使用可以以比人类视觉处理更快的速度直观地评估PCB组件的错位组件、墓碑或其他组装缺陷。

• 数据清理梳理数据，查找可能混淆学习算法的不完整或不正确的数据。

• 训练、建模和细化该算法通过手动选择所考虑的特征，使用新的数据集查看模型的预测能力，并根据这些结果进一步提高算法的有效性。

电子产品的力量机器学习是启发式模型可以扩展到远远超出计算机视觉;对机械和工厂设备的分析可以研究声音、振动等质量，从而预测设备何时需要维修或更换。这些模型只受到传感器本身能力的限制——任何可以量化的数据都可以被输入到机器学习算法中，以构建一个数据驱动(最终自给自足)的模型。

机器学习相对于深度学习的低功耗优势

机器学习和深度学习都是人工智能的子集，但处理方法有很大的不同，这对如何和在哪里部署它有重要的影响。机器学习使用一些人类的指导来发展它的视觉，比如使用颜色和对比度来搜索边缘或其他识别特征。另一方面，深度学习绕过了人类互动，并使用更健壮和更庞大的数据集来构建其预测功能。深度学习的代价是，在将数据输入算法之前，必须更好地清理数据，因为没有人为指导来帮助区分因素。一般来说，深度学习可以被认为是一种更具有预测性的模型，它需要更多的时间、数据和时间计算能力发挥其最大潜力．

深度学习模型中相对计算量的增加抑制了应用低功耗或节能设计．在适当的时候，轻量级的功能选项总是倾向于较低的绘制，而不是更全面的建模工作。虽然单个传感器只会消耗名义功率，但希望减少能源使用的建筑物可能会发现，使用机器学习方法而不是深度学习可以节省一些额外的成本。

人工智能、机器学习和深度学习的层次结构

利用电子机器学习将智能设计融入工作流程

机器学习是一种适用于任何数据集的工具，只要传感器技术允许跟踪反馈所需的相关参数。就其本身而言，机器学习在处理大量数据方面的优势为工业物联网提供了无限的机会。对于世界上的芯片设计师来说，也许更有趣的是机器学习可以为设计师提供什么。具体来说，随着对芯片工艺的需求继续稳步向皮米级发展，平衡新芯片组的功率和间距需求变得越来越困难。优化需要工程师团队花费大量的工作时间来满足复杂的行业需求。

在这里，机器学习也可以帮助简化设计过程。工程师可以为他们希望优化的任何设计部分创建基于激励的算法。计算能力可以聚合在一起，逻辑地解决复杂的设计问题，而不需要持续的人工监督。将极端的微调留给强大的计算也解放了设计人员，使他们能够在实现速度和功耗方面的切实改进的同时，发挥更类似于监督的作用。此外，多个优化工作可以基于任何用户定义的优化设置并行进行。假设有必要的技术和计算能力，设计优化可以很容易地分叉和重新集成，甚至更迅速地完成芯片组。

当需要将电子机器学习融入你的设计或工作空间时，Cadence的PCB设计和分析软件提供强大的工具来简化设计实现，而不牺牲任何控制深度。领先的电子产品供应商依靠Cadence产品来优化各种市场应用的电源、空间和能源需求。如果您想了解更多我们的创新解决方案，和我们的专家团队谈谈吧或请订阅我们的YouTube频道．