Machine Learning in VLSI Computer-Aided Design

این کتاب گزارشی به‌روز از استفاده از چارچوب‌های یادگیری ماشین، روش‌شناسی، الگوریتم‌ها و تکنیک‌ها در زمینه طراحی به کمک رایانه (CAD) برای مدارهای مجتمع با مقیاس بسیار بزرگ (VLSI) در اختیار خوانندگان قرار می‌دهد. . پوشش شامل روش های مختلف یادگیری ماشینی است که در لیتوگرافی، طراحی فیزیکی، پیش بینی بازده، تجزیه و تحلیل عملکرد پس از سیلیکون، تجزیه و تحلیل قابلیت اطمینان و شکست، تجزیه و تحلیل توان و حرارت، طراحی آنالوگ، سنتز منطقی، تأیید و طراحی نورومورفیک استفاده می شود.

• اطلاعات به‌روز در مورد یادگیری ماشین در VLSI CAD برای مدل‌سازی دستگاه، تأیید طرح‌بندی، پیش‌بینی بازده، اعتبارسنجی پس از سیلیکون و قابلیت اطمینان ارائه می‌کند؛
  
• درباره استفاده از تکنیک های یادگیری ماشین در زمینه سنتز آنالوگ و دیجیتال بحث می کند؛
  
• نحوه فرمول بندی اهداف VLSI CAD را به عنوان مشکلات یادگیری ماشین نشان می دهد و یک درمان جامع ارائه می دهد. از راه حل های کارآمد آنها؛
  
• مبادله بین هزینه جمع آوری داده ها و دقت پیش بینی را مورد بحث قرار می دهد و روشی برای استفاده از داده های قبلی برای کاهش هزینه جمع آوری داده ها در طراحی، آزمایش و اعتبار سنجی هر دو ارائه می کند. طراحی های آنالوگ و دیجیتال VLSI.
  

از پیشگفتار

به عنوان نیمه هادی صنعت از موج فزاینده سیستم های شناختی و هوش لبه استقبال می کند، این کتاب می تواند به عنوان منادی و نمونه ای از اسمزی باشد که بین ساختارها و روش های شناختی ما وجود خواهد داشت. از یک سو، و معماری‌های سخت‌افزاری و فناوری‌هایی که از آن‌ها پشتیبانی می‌کنند، از سوی دیگر…. همانطور که از دوران محاسبات به دوره شناختی گذر می‌کنیم، لازم است که داستان موفقیت VLSI CAD را به خاطر بسپاریم و به طور جدی به دنبال کمک باشیم. دست نامرئی به طوری که سیستم های شناختی آینده ما برای طراحی سیستم های شناختی قدرتمندتر استفاده شود. این کتاب بسیار با این انتقال مداوم از محاسبات به شناخت هماهنگ است، و بسیار خوشحالم که آن را به همه کسانی که فعالانه در این تحول هیجان انگیز درگیر هستند توصیه می کنم.

Dr. Ruchir Puri، همکار IBM، مدیر ارشد فناوری و معمار ارشد IBM Watson، مرکز تحقیقات IBM T. J. Watson

This book provides readers with an up-to-date account of the use of machine learning frameworks, methodologies, algorithms and techniques in the context of computer-aided design (CAD) for very-large-scale integrated circuits (VLSI). Coverage includes the various machine learning methods used in lithography, physical design, yield prediction, post-silicon performance analysis, reliability and failure analysis, power and thermal analysis, analog design, logic synthesis, verification, and neuromorphic design.

• Provides up-to-date information on machine learning in VLSI CAD for device modeling, layout verifications, yield prediction, post-silicon validation, and reliability;
  
• Discusses the use of machine learning techniques in the context of analog and digital synthesis;
  
• Demonstrates how to formulate VLSI CAD objectives as machine learning problems and provides a comprehensive treatment of their efficient solutions;
  
• Discusses the tradeoff between the cost of collecting data and prediction accuracy and provides a methodology for using prior data to reduce cost of data collection in the design, testing and validation of both analog and digital VLSI designs.
  

From the Foreword

As the semiconductor industry embraces the rising swell of cognitive systems and edge intelligence, this book could serve as a harbinger and example of the osmosis that will exist between our cognitive structures and methods, on the one hand, and the hardware architectures and technologies that will support them, on the other….As we transition from the computing era to the cognitive one, it behooves us to remember the success story of VLSI CAD and to earnestly seek the help of the invisible hand so that our future cognitive systems are used to design more powerful cognitive systems. This book is very much aligned with this on-going transition from computing to cognition, and it is with deep pleasure that I recommend it to all those who are actively engaged in this exciting transformation.

Dr. Ruchir Puri, IBM Fellow, IBM Watson CTO & Chief Architect, IBM T. J. Watson Research Center