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

根據(jù)網(wǎng)站報導，安謀技術服務團隊工程分析總監(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，安謀從事許多關于程序錯誤的分析，藉由方法論及設計領域?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習的工具，如Dickman表示，安謀正在研究如何采用機器學習算法，并將機器學習算法應用于資料上，之后再設計可預測的工作流程以提高生產(chǎn)力。

目前RTL驗證團隊以機器學習方法進行驗證看到的一個成功領域，在于安謀設計人士所憂心的消除部分無價值驗證周期上。另一個機器學習技術具有影響性的領域則在產(chǎn)量分析上，如機器學習能夠在芯片密度設計上預測幾何的類型，因這可能導致芯片制程中微影及其它制程的失敗，進而導致生產(chǎn)良率下降，因此若能透過機器學習技術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，當談到機器學習時，多數(shù)人會認為機器學習是與神經(jīng)網(wǎng)絡相關的技術，不過資料卻不需要以神經(jīng)網(wǎng)絡來模型化；芯片設計云端運算先驅(qū)廠商Plunify共同創(chuàng)辦人Kirvy Teo指出，在這塊領域的機器學習本質(zhì)與在Google看到的不同，神經(jīng)網(wǎng)絡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計用機器學習技術開發(fā)上，并正將之拓展至其它領域，首個領域即特征化，但也面對到有客戶對于將此擴充至EDA范圍內(nèi)其它領域的需求性；高通（Qualcomm）技術資深總監(jiān)Sorin Dobre也提到將機器學習擴充應用至更多在實體設計等級所需的任務，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)量結果。機器學習能夠提升生產(chǎn)力達10倍以上。

下一個階段則在于試圖跨專案重復利用機器學習技術，這是減緩在RTL驗證中采用資料采礦及機器學習技術進程的一項阻礙。