Webinárium: Növelje a termelékenységet gépi tanulással az analóg front-end tervezési folyamatban

Az analóg IC-tervezők túl sok időt és energiát tölthetnek azzal, hogy a régi, megszokott, manuális iterációs módszereket újra felhasználják az áramkör-tervezésben, csak azért, mert ez mindig is így volt. Az áramkör-optimalizálás egy olyan EDA-megközelítés, amely képes automatikusan méretezni egy cellában lévő összes tranzisztort, SPICE szimulációkat futtatva a PVT sarkain és a folyamatváltozatokon, hogy megfeleljen az analóg és vegyes jelű tervezési követelményeknek. Ígéretesnek hangzik, igaz?

Tehát melyik áramkör-optimalizálót érdemes fontolóra vennem?

A kérdés megválaszolására egy webinárium készül, melynek házigazdája MunEDA, egy EDA cég még 2001-ben indult, és az egész a névre keresztelt áramkör-optimalizálójukról szól Gonosz. A bemenetek egy SPICE hálózati listát tartalmaznak a tervezési követelményekkel együtt, mint például: erősítés, sávszélesség és energiafogyasztás. A kimenetek egy méretű netlista, amely megfelel vagy meghaladja a tervezési követelményeket.

A WiCkeD titkos szósza az, hogy hogyan épít fel egy gépi tanulási (ML) modellt a kísérlettervezés (DOE) futtatásához, hogy kiszámítsa a legrosszabb PVT-sarkot, megtalálja a tranzisztorok geometriai érzékenységét, és még az On Chip Variation (OCV) kiszámítását is. ) érzékenység. Ez a megközelítés nemlineáris, nagy dimenziós ML-modellt hoz létre és frissít szimulált adatokból.

Az ML modell lehetővé teszi az eszköz számára, hogy megoldja az optimalizálási kihívást, majd elvégezze a végső ellenőrzést egy SPICE szimuláció futtatásával. Vannak automatizált iterációk, amíg minden követelmény nem teljesül. Ez most sokkal gyorsabban hangzik, mint a régi manuális iterációs módszerek. Az ML modell betanítása teljesen automatikus, és meglehetősen hatékony.

Az áramkör-tervezők a következőket is megtanulják:

• Hol használjuk az áramkör-optimalizálást
• Milyen típusú áramköröket érdemes optimalizálni
• Mennyi értéket hoz az áramkör optimalizálása a tervezési folyamatba

Az STMicroelectronics mérnökei a WiCkeD áramkör-optimalizálását használták, a MunEDA pedig az időmegtakarítás és a követelmények teljesítésének javítása terén elért konkrét eredményeikről beszél. Az Inplay Technologies teljesítményerősítő cég bemutatta az áramkör-optimalizálási eredményeket a 2018-as DAC konferencián.

A webinárium részletei

Tekintse meg a webináriumot április 11-én, 10:XNUMX PDT by online regisztráció.

Kapcsolódó blogok

Oszd meg ezt a bejegyzést ezen keresztül:

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
• Forrás: https://semiwiki.com/eda/326047-webinar-enhance-productivity-with-machine-learning-in-the-analog-front-end-design-flow/