機器學(xué)習(xí)(ML)技術(shù)開始逐漸在全球電子設(shè)計自動化(EDA)領(lǐng)域扮演要角，在2017年設(shè)計自動化會議(DAC 2017)上超過2成報告甚至是與機器學(xué)習(xí)技術(shù)相關(guān)，不過機器學(xué)習(xí)應(yīng)用仍未均勻分布，其中資料近用即為一大課題，而安謀(ARM)自2年前開始在芯片設(shè)計上進行關(guān)于程序設(shè)計錯誤的大量分析，發(fā)現(xiàn)機器學(xué)習(xí)技術(shù)有助于實現(xiàn)無程序錯誤的芯片開發(fā)，這似乎也開啟了運用機器學(xué)習(xí)技術(shù)協(xié)助芯片設(shè)計的新應(yīng)用途徑。

　　根據(jù)New Electronics網(wǎng)站報導(dǎo)，安謀技術(shù)服務(wù)團隊工程分析總監(jiān)Bryan Dickman表示，RTL驗證創(chuàng)造了大量資料，這正在成為一個巨量資料問題，安謀從事許多關(guān)于程序錯誤的分析，藉由方法論及設(shè)計領(lǐng)域?qū)ふ页绦蝈e誤。

　　安謀自2年前開始決定調(diào)查其團隊進行硬件設(shè)計的方法，透過為云端運算開發(fā)的工具，安謀如今從該公司每日運行的數(shù)千項測試及模擬產(chǎn)生的各項結(jié)果進行仔細檢查，以求尋找出模式。Dickman指出，如何從安謀平日進行的大量驗證中尋找到程序錯誤值得關(guān)注，并可思考如果進行過大量驗證周期，但卻沒有發(fā)現(xiàn)任何程序錯誤時，是否這些采用的驗證周期都沒有使用的價值。

　　至今重點一直在如何打造視覺化工具協(xié)助工程師分析模式，下一階段則是要打造能夠從資料中學(xué)習(xí)的工具，如Dickman表示，安謀正在研究如何采用機器學(xué)習(xí)算法，并將機器學(xué)習(xí)算法應(yīng)用于資料上，之后再設(shè)計可預(yù)測的工作流程以提高生產(chǎn)力。

　　目前RTL驗證團隊以機器學(xué)習(xí)方法進行驗證看到的一個成功領(lǐng)域，在于安謀設(shè)計人士所憂心的消除部分無價值驗證周期上。另一個機器學(xué)習(xí)技術(shù)具有影響性的領(lǐng)域則在產(chǎn)量分析上，如機器學(xué)習(xí)能夠在芯片密度設(shè)計上預(yù)測幾何的類型，因這可能導(dǎo)致芯片制程中微影及其它制程的失敗，進而導(dǎo)致生產(chǎn)良率下降，因此若能透過機器學(xué)習(xí)技術(shù)稍微提升良率幾個百分點，將能夠創(chuàng)造顯著的經(jīng)濟效益。

　　NVIDIA資深工程總監(jiān)Ting Ku于本屆DAC會中指出，當(dāng)談到機器學(xué)習(xí)時，多數(shù)人會認為機器學(xué)習(xí)是與神經(jīng)網(wǎng)絡(luò)相關(guān)的技術(shù)，不過資料卻不需要以神經(jīng)網(wǎng)絡(luò)來模型化;芯片設(shè)計云端運算先驅(qū)廠商Plunify共同創(chuàng)辦人Kirvy Teo指出，在這塊領(lǐng)域的機器學(xué)習(xí)本質(zhì)與在Google看到的不同，神經(jīng)網(wǎng)絡(luò)在多個資料點上運行得非常好，不過是在處理數(shù)千個資料點，而非處理達數(shù)十億個資料點。

　　Solido公司執(zhí)行長Amit Gupta表示，過去7年來該公司一直專注于變化感知設(shè)計用機器學(xué)習(xí)技術(shù)開發(fā)上，并正將之拓展至其它領(lǐng)域，首個領(lǐng)域即特征化，但也面對到有客戶對于將此擴充至EDA范圍內(nèi)其它領(lǐng)域的需求性;高通(Qualcomm)技術(shù)資深總監(jiān)Sorin Dobre也提到將機器學(xué)習(xí)擴充應(yīng)用至更多在實體設(shè)計等級所需的任務(wù)，表示在10納米及7納米高通看到許多制程的變化，必須橫跨多個制程工藝角(process corner)來進行驗證。

　　實體驗證團隊目前面臨的問題，在于溫度、晶體管速度及電壓結(jié)合的數(shù)量，團隊表示，問題出在如何在制程工藝角未擴張下獲得良好的質(zhì)量結(jié)果。機器學(xué)習(xí)能夠提升生產(chǎn)力達10倍以上。

　　下一個階段則在于試圖跨專案重復(fù)利用機器學(xué)習(xí)技術(shù)，這是減緩在RTL驗證中采用資料采礦及機器學(xué)習(xí)技術(shù)進程的一項阻礙。