САПР в эпоху искусственного интеллекта

Журнал РАДИОЛОЦМАН, январь 2020

Joseph Sawicki, вице-президент подразделения САПР ИС в Mentor, Siemens Business

Electronic Design

Искусственный интеллект доказал свою полезность в различных приложениях, даже в области автоматизации электронного проектирования. И, судя по всему, еще большее влияние он окажет на технологию САПР в этом году.

САПР в эпоху искусственного интеллекта

По мере совершенствования и расширения сферы использования технологии искусственного интеллекта (ИИ), становится все более очевидным, что ИИ и его многочисленные производные (глубокое обучение, машинное обучение и т. д.) приведут к коренным социально-экономическим изменениям такого масштаба, которого мир не видел со времен промышленной революции. И хотя вопрос об этичности или неэтичности использования ИИ и его потенциальном влиянии на глобальные социоэкономики может быть спорным, ясно одно: искусственный интеллект, даже в зачаточном состоянии, уже сегодня все активнее используется для значительного усовершенствования способов решения ряда задач автоматизации, начиная от сбора данных, связи, робототехники, автоматизации производства и проектирования автомобилей, и заканчивая даже нашей небольшой, но мощной отраслью САПР интегральных схем.Короче говоря (и извините за смешанную метафору), мы выпустили джина из бутылки, и мы должны принять его с распростертыми объятиями. В 2020 году мы, безусловно, можем ожидать продолжения роста в разработке и внедрении микросхем и систем искусственного интеллекта.Чтобы помочь компаниям в развитии более сложных технологий ИИ, разработчики САПР электронных систем, такие как Mentor, a Siemens Business1), делают две вещи:

  1. Создают инструменты разработки, помогающие компаниям быстрее создавать акселераторы ИИ.
     
  2. Используют алгоритмы машинного обучения (МО) для усовершенствования инструментов проектирования микросхем, чтобы позволить потребителям выполнять свою работу быстрее и получать лучшие результаты.

Давайте посмотрим на них внимательнее.


1) Примечание редакции
Mentor Graphics после приобретения в 2017 году компанией Siemens стала называться Mentor, a Siemens Business.


В течение последних нескольких лет сотрудники отдела исследований и разработок Mentor во многом способствовали интеграции МО в наши собственные инструменты САПР. В настоящее время компания может предложить пять коммерческих инструментов, которые используют МО, чтобы помочь за меньшее время добиться лучших результатов. Позвольте мне немного углубиться в технологию и поговорить о МО в контексте улучшения инструментов САПР.

Как мы все знаем, МО бесполезно без данных. Чем больше данных получено, тем эффективнее МО может быть использовано для их классификации и разработки на основе этих данных чего-то значимого. Нам повезло, что инструменты САПР сами производят огромное количество данных. Процессы производства генерируют большие объемы данных, а пользователи могут создавать свои собственные данные и формулировать требования (для обучения). Таким образом, теоретически, недостатка в данных нет. На практике, при использовании МО для САПР возникает вопрос: какие наборы данных можно использовать эффективно, и для каких функций инструмента?

Пока у нас есть пять инструментов, которые используют дополнительные возможности МО, и большинство из них ориентировано на сферы физического проектирования, верификации и производства: МО для описания библиотек и моделирования, коррекции оптических искажений (OPC) в фотолитографии, моделирования литографии и моделирования химико-механической полировки. Этот сегмент EDA является очевидной отправной точкой для начала.

Например, инструмент Calibre OPC для коррекции оптической близости работает с базой данных физического проектирования. Каждый прогон кристалла производит миллиарды точек данных, доступных для анализа. Внедрив технологию МО в Caliber OPC, мы можем собирать данные об этих чипах, а затем использовать их для более быстрого получения лучших результатов при разработке.

При техпроцессе 7 нм для выполнения одного прогона для критического слоя клиенты используют до 8,000 процессоров, работающих от 12 до 24 часов. Используя машинное обучение, мы смогли сократить это время в три раза и ограничить увеличение времени, которое потребуется для генерации управляющей программы при уменьшении размеров структур, которое будет происходить в будущем (Рисунок 1).

Требования к вычислительным ресурсам значительно снижаются благодаря машинному обучению Calibre OPC.
Рисунок 1. Требования к вычислительным ресурсам значительно снижаются благодаря
машинному обучению Calibre OPC.

Это только один пример, но аналогичные результаты мы видим и с другими нашими инструментами, улучшенными с помощью МО. В настоящее время мы работаем над двумя десятками других проектов, ища новые способы, использования ИИ/МО, для ускорения и улучшения обработки огромного количества данных и получения лучших результатов. Скорее всего, для создания своих инновационных продуктов в 2020 году вы будете использовать еще больше инструментов САПР с расширенными возможностями МО.

Добавить свое объявление

* заполните обязательные данные

Статистика eFaster:

посетило сегодня 1000
сейчас смотрят 13
представлено поставщиков 579
загружено
позиций
25 067 862