資料挖掘和機器學習對晶片要求越來越高

目前的存儲器，我們看的是設計、記憶體以及對不同的記憶體配置模組化。你可以在它上面運作模型與真實應用作比較。是以我們采用參數化的通用記憶體模型并将其映射至實際記憶體。我們也可以從之前的設計中看人力和時間表，還可以對計算資源和EDA許可做同樣的工作。如果你隻有12000個CPU但需要24000個，那麼你需要使用基于雲的解決方案來實作。但那不會很快發生，你需要對此進行規劃，很大一部分是圍繞存儲器的。

整個行業正在學習如何使用人工智能和機器學習來建構和調試系統。有許多關于何種堆棧可以用于AI算法的模組化和模拟，這裡的目标是将人工智能用于工具以及其它地方。在很大程度上，這是對系統級設計和複雜程度的認識，即使這些工具需要其它工具的幫助。

現在，随着EDA生态系統在機器學習方面的工作，我們正試圖弄清楚它如何能夠幫我們解決更大的驗證問題，整個問題就回歸到，‘這不是早期的10個半導體’。構成一個存儲器要10億個半導體，那就需要知道如何布局，如何在實體層面布線。如何對這些電路執行最最好的布局，如何放置這些元件?這一直是機器學習任務的一部分。然而我們不把它稱為機器學習，但它确實是我們試圖找出最佳方法的算法的一部分。

前段時間，晶片制造商開始推動六西格瑪設計(six-sigmadesigns)，但是一旦複雜到一定程度，達到要求的六西格瑪品質所需的模拟開始花費大量時間時，他們就不再讨論這種方案了。但随着汽車制造商對無缺陷電子産品的需求，又掀起了關于六西格瑪的讨論，在合理的時間内實作這一目标的唯一方法就是利用機器學習。

通過機器學習，我們可以對半導體的行為進行程式設計，是以從統計角度講，我不必進行1000萬次的模拟。我可以使用算法和機器學習技術來保持一定精度的條件下确定需要運作的最少模拟次數。如果我可以程式設計更多的算法，如果我可以對更多我進行的工作程式設計，那我就可以隻收集這些資料的同時還保證工作的品質。這就是機器學習可以幫助我們的地方。

這一定程度上已經在設計領域發生了，但它在未來會有更加顯著的使用。