นักออกแบบวงจรรวมแบบอะนาล็อกสามารถใช้เวลาและความพยายามมากเกินไปในการนำวิธีการวนซ้ำแบบเดิมที่คุ้นเคยและเป็นแบบแมนนวลกลับมาใช้ใหม่ในการออกแบบวงจร เพียงเพราะนั่นคือวิธีที่มันทำกันมาตลอด การปรับวงจรให้เหมาะสมเป็นแนวทาง EDA ที่สามารถปรับขนาดทรานซิสเตอร์ทั้งหมดในเซลล์ได้โดยอัตโนมัติ โดยการเรียกใช้การจำลอง SPICE ในมุม PVT และรูปแบบกระบวนการต่างๆ เพื่อตอบสนองข้อกำหนดการออกแบบสัญญาณอะนาล็อกและสัญญาณผสม ฟังดูมีแนวโน้มใช่ไหม?
ฉันควรพิจารณาใช้เครื่องมือเพิ่มประสิทธิภาพวงจรใด
เพื่อตอบคำถามนั้น จะมีการสัมมนาผ่านเว็บที่กำลังจะเกิดขึ้น ซึ่งจัดโดย มุนเอดาบริษัท EDA เริ่มต้นในปี 2001 และทั้งหมดนี้ล้วนเป็นชื่อเครื่องมือเพิ่มประสิทธิภาพวงจรของบริษัท วิคเคดี. อินพุตเป็นรายการสุทธิของ SPICE พร้อมด้วยข้อกำหนดการออกแบบ เช่น อัตราขยาย แบนด์วิดท์ และการใช้พลังงาน เอาต์พุตเป็นรายการขนาดสุทธิที่ตรงตามหรือเกินกว่าข้อกำหนดการออกแบบ
สูตรลับของ WiCkeD คือการสร้างโมเดล Machine Learning (ML) เพื่อรัน Design Of Experiments (DOE) เพื่อคำนวณมุม PVT ที่แย่ที่สุด ค้นหาความไวของเรขาคณิตของทรานซิสเตอร์ และแม้แต่คำนวณ On Chip Variation (OCV) ) ความไว วิธีการนี้จะสร้างและอัปเดตโมเดล ML มิติสูงที่ไม่ใช่เชิงเส้นจากข้อมูลจำลอง
การมีโมเดล ML ช่วยให้เครื่องมือสามารถแก้ปัญหาความท้าทายในการเพิ่มประสิทธิภาพ จากนั้นทำการตรวจสอบขั้นสุดท้ายด้วยการรันการจำลอง SPICE มีการวนซ้ำอัตโนมัติจนกว่าจะเป็นไปตามข้อกำหนดทั้งหมด ตอนนี้ฟังดูเร็วกว่าวิธีการวนซ้ำแบบแมนนวลแบบเก่ามาก การฝึกโมเดล ML นั้นเป็นไปโดยอัตโนมัติและค่อนข้างมีประสิทธิภาพ
นักออกแบบวงจรจะได้เรียนรู้:
- จะใช้การเพิ่มประสิทธิภาพวงจรได้ที่ไหน
- วงจรประเภทใดที่เหมาะกับการปรับให้เหมาะสม
- การปรับวงจรให้เหมาะสมที่สุดจะส่งผลต่อโฟลว์การออกแบบมากน้อยเพียงใด
วิศวกรที่ STMicroelectronics ได้ใช้การเพิ่มประสิทธิภาพวงจรใน WiCkeD และ MunEDA พูดถึงผลลัพธ์เฉพาะของพวกเขาในการประหยัดเวลาและการปรับปรุงข้อกำหนดในการตอบสนอง บริษัทเพาเวอร์แอมป์ Inplay Technologies แสดงผลการปรับวงจรให้เหมาะสมจากการประชุม DAC 2018
รายละเอียดการสัมมนาผ่านเว็บ
ดูการสัมมนาผ่านเว็บในวันที่ 11 เมษายน เวลา 10 น. PDT ภายใน ลงทะเบียนออนไลน์.
บล็อกที่เกี่ยวข้อง
แชร์โพสต์นี้ผ่าน:- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://semiwiki.com/eda/326047-webinar-enhance-productivity-with-machine-learning-in-the-analog-front-end-design-flow/
- :เป็น
- $ ขึ้น
- 2001
- 2018
- a
- เกี่ยวกับเรา
- ข้าม
- ทั้งหมด
- เสมอ
- และ
- คำตอบ
- เข้าใกล้
- เมษายน
- เป็น
- At
- อัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- กลับ
- แบนด์วิดธ์
- เพราะ
- นำ
- สร้าง
- by
- คำนวณ
- CAN
- ท้าทาย
- ชิป
- มา
- บริษัท
- การประชุม
- พิจารณา
- การบริโภค
- มุม
- มุม
- สร้าง
- ข้อมูล
- ออกแบบ
- นักออกแบบ
- DOE
- ที่มีประสิทธิภาพ
- ความพยายาม
- ช่วยให้
- แม้
- เกินกว่า
- คุ้นเคย
- เร็วขึ้น
- สุดท้าย
- หา
- ไหล
- สำหรับ
- ราคาเริ่มต้นที่
- ได้รับ
- เรขาคณิต
- ดี
- มี
- เป็นเจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- i
- การปรับปรุง
- in
- IT
- การย้ำ
- ซ้ำ
- jpg
- เรียนรู้
- การเรียนรู้
- กดไลก์
- เครื่อง
- เรียนรู้เครื่อง
- คู่มือ
- ความกว้างสูงสุด
- พบ
- ที่ประชุม
- มีคุณสมบัติตรงตาม
- วิธีการ
- ML
- แบบ
- ที่มีชื่อ
- of
- เก่า
- on
- การเพิ่มประสิทธิภาพ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- โพสต์
- อำนาจ
- กระบวนการ
- ผลผลิต
- แวว
- คำถาม
- ความต้องการ
- ผลสอบ
- วิ่ง
- วิ่ง
- เงินออม
- ลับ
- น่า
- จำลอง
- ขนาด
- โดยเฉพาะ
- ใช้จ่าย
- เครื่องเทศ
- ข้อความที่เริ่ม
- พูดคุย
- เทคโนโลยี
- ที่
- พื้นที่
- ของพวกเขา
- เวลา
- ไปยัง
- เกินไป
- เครื่องมือ
- การฝึกอบรม
- ชนิด
- การปรับปรุง
- ใช้
- ความคุ้มค่า
- การตรวจสอบ
- ผ่านทาง
- ทาง..
- webinar
- ที่
- จะ
- กับ
- ลมทะเล