将来のシステム設計のための機械学習

エリアス・ファロン氏は、電子設計自動化技術の大手プロバイダーである Cadence Design Systems のエンジニアリング ディレクターです。彼は、プロジェクト開発においてカスタム IC R&D チームと電子設計自動化 (EDA) 製品チームを率いています。

[[353846]]

機械学習とディープラーニングの技術をコンピューティング ソフトウェアに適用する EDA 研究プロジェクトを担当するエリアス ファロン氏は、電子設計業界の将来の発展について独自の洞察力を持っています。

同氏は、半導体チップとその周辺システムの設計における次の飛躍は、EDAコンピューティングソフトウェアツールフローの統合と、より大規模な機械学習/ディープラーニング（DL）技術およびマルチコアコンピューティングの応用から生まれるだろうと指摘した。現在の AI と機械学習のイノベーションの波は、GPU のコンピューティング能力の向上と、設計エンジニアによるディープ ニューラル ネットワークのトレーニングを加速する方法の開発から始まりました。機械学習/ディープラーニングは次世代プラットフォームの設計において重要な役割を果たし、5G、ハイパースケールコンピューティングなどの新興技術の広範な導入を可能にします。

Fallon 氏にとって楽しいのは、設計および検証プロセスのあらゆる段階に存在する非決定性多項式 (NP) の困難問題と完全性問題のいくつかを解決することです。ファロン氏と彼のチームは、設計エンジニアが集積回路、パッケージ、ボード、システムを設計、シミュレーション、検証するために使用するソフトウェアを開発しています。彼らが直面した設計上の課題は非常に困難かつ複雑であったため、一定の時間枠内に最適な解決策を見つける方法がありませんでした。定義上、直面する検証の課題は、これまでに遭遇したことのない問題です。 Fallon 氏と彼のチームは、最適なソリューションを提供するためにさまざまな複雑なアルゴリズムとソフトウェアを開発しており、これらのイノベーションによって顧客の設計生産性が向上します。

数値ソルバー、ブール充足可能性ソルバー、アダプティブメッシュ、計算幾何学、反復改善最適化アルゴリズムはすべて計算ソフトウェアの例です。ソフトウェア アルゴリズムを計算するには、EDA ソフトウェア エンジニアが、アルゴリズムを現在の設計課題に最適に適用する方法と、さまざまなメタ パラメーター、コントロール、およびコマンドを設計用語でユーザーに提示する方法を決定する必要があります。次世代設計の傾向としては、システム設計と検証の複雑さが増す傾向にあり、設計生産性を飛躍的に向上させるには、EDA ツールボックスに新しい計算ソフトウェア「ツール」が必要になります。

過去 6 か月間、自宅からリモートで働く人々は、クラウド コンピューティング、チップの最適化、インターネットの進歩の恩恵を受けてきました。エレクトロニクス業界の好循環のフィードバック ループでは、コンピューティング ソフトウェアが電子設計を支援し、設計チームは将来のイノベーションの恩恵を受けます。 5G、ハイパースケール コンピューティング、その他のテクノロジの推進には、電子技術の将来の発展にあらゆる可能性を生み出すために、チップ、パッケージング、ボード、システム設計における多大なイノベーションが必要になります。例から学習する機械学習は、デザイナーにとっての次のイノベーションの波の基盤を築く新しい計算ソフトウェア ツールです。

計算ソフトウェアは、生産性の向上と電子システム設計の複雑な課題への対処において驚異的な成長を遂げてきました。 Cadence のソリューションは前世代の課題に対処しましたが、次世代の設計はさらに複雑な問題に直面しています。システムの複雑性が増すと、設計および検証プロセスも複雑になります。この複雑さは、新しいベストプラクティスや自動化を採用するためのプロセスの継続的な変更の障壁となっています。複雑なプロセスの各ツールまたはステップ (新しいオプション、コマンド、および機能の追加) は、採用する前に理解、評価、およびプロセス全体への適合性の確認を行う必要があります。機械学習を導入して例を通じてユーザーから設計手法を学習する機能と、EDA ソフトウェア エンジニアが機械学習設計手法を新しいツール フローのオプションに変換するシステムを開発できるようにする機能により、革新的な設計フローの採用が加速されます。

たとえば、アナログ回路設計者は、回路設計とレイアウトでどのコンポーネントを一致させる必要があるかを経験から知っていますが、設計プロセスで自動化技術を使用するには、追加の制約と仕様を追加する必要があります。機械学習モデルは、完成したデザインからデザイナーのベストプラクティスを学習し、各デザイナーまたはデザインチームに合わせてカスタマイズされた方法でデザインプロセス全体を加速できます。革新的なシステム設計会社は、自社の設計やそこからトレーニングされた機械学習モデルを他の企業と共有しません。したがって、機械学習の設計実践を学習するためのトレーニングは、ユーザーとともに行う必要があります。機械学習は、EDA コンピューティング ソフトウェア ツールボックスの重要なツールとなり、他の業界の多くの SaaS 機械学習ベースの製品とは異なるものになります。

例によって設計手法を学習することに加え、EDA における機械学習の最も一般的な使用例は、将来のプロセス ステップを予測することです。これらすべての非決定性多項式 (NP) の問題をまとめると、現在のプロセス ステップの結果の影響を完全に予測することは困難です。最も一般的な例は、レイアウトを最適化するときにルーティング可能性を理解することです。レイアウトでは通常、面積/コストと配線長を最小限に抑えることを目的として各コンポーネントの位置を決定します。ルーティングは、すべてのコンポーネント間のすべての信号の接続を作成します。これらのコンポーネントは、PCB 上の部品である場合もあれば、チップ上のモジュールまたはトランジスタである場合もあります。長年にわたり、EDA エンジニアは、回路レイアウトを最適化しながら配線の長さと配線機能を改善するための多くのヒューリスティックを開発してきました。ただし、ルーティングと配置は非決定性多項式 (NP) 困難な問題であるため、すべてのオプションを試すことは計算上不可能であり、既存のヒューリスティックでは多くのルーティングの微妙な点を見逃す可能性があります。

レイアウトを入力として受け取り、ルーティング可能性スコアを出力する機械学習モデルを採用することで、より豊富で高速なソリューションを作成できる可能性があります。 EDA ツール フローは、複数の候補レイアウトを生成し、各候補レイアウトを配線し、配線スコアをラベルとして使用して機械学習モデルをトレーニングできます。同様に、複雑な EDA フローを実行して多くの設計候補と結果を生成するフローでは、前のステップからの入力から将来のステップの結果を予測するモデルを構築できます。これにより、複雑な設計空間でより優れたソリューションを見つける能力が向上します。

EDA は、複雑なインテリジェント システムの設計と検証を可能にする主要なコンピューティング ソフトウェアを提供します。現在進行中の次世代のテクノロジー推進により、多くの新しい革新的なデザインがもたらされるでしょう。システム設計者の創造性を刺激するために、EDA ツールは生産性を向上させる重要な機能として機械学習を採用します。これにより、設計プロセスでより優れたソリューションを見つけることができ、設計プロセスがデザイナーと設計チームに合わせて自動的にカスタマイズされるようになります。したがって、機械学習技術は、将来のシステム設計とプラットフォーム構築において重要な要素となります。