来自：https://www.eetimes.com/author.asp?section_id=36&doc_id=1334643
Cadence 的 AI 专家讨论了将 EDA 工具（决策支持系统中机器学习的新兴模型）应用于 EDA 工具所面临的挑战。
在之前的一篇文章中，我提出了一个通用的自适应决策过程框架，该框架在我参加的北约科学和董事会会议上进行了讨论。在这里，我将讨论几个行业共同面临的挑战，这些挑战是在那里提出的，我们今天将继续讨论和解决这些挑战。
我参加了一个关于该主题的小组，成员们代表了物流、运营、运输和监控以及电子设计。我们分享的挑战数量惊人。
在实时持续学习中，使用模型或环境中可能存在不可观察的因素，或者可观察的因素可能会随着时间的推移而变化。不确定性需要能够检测异常并快速适应。
但是，我们必须确保系统以稳定的方式适应，并且我们知道何时发生变化。因此，我们需要形式验证流程来确保稳定的学习和对意外输入的稳健反应。
此外，一些机器学习方法是黑匣子，无法告诉您它们为什么会产生特定答案或他们对该答案的信心如何。因此，我们需要更加专注于构建可以解释和审查学习参数的系统，从而为每个答案产生概率置信度。
最后，我们一致认为我们需要支持冷启动和稀疏数据解决方案。例如，当您执行新操作时，例如在数据很少的新节点进行设计，EDA 工具具有最大的价值。
其中许多挑战与根据目标函数和约束测量的一类顺序决策和优化问题有关。对于这类问题，验证更加关键，完成起来也更加复杂。
用户的意图可以表示为 constraints 或在目标函数中编码。在其他情况下，可能必须根据在场景上下文中观察到的行为模式来推断意图。
云计算非常适合分层决策流程
EDA 物理设计流程中的顺序决策问题带来了挑战，其中正确的路径取决于以目标函数表示的设计意图。
值得注意的是，拥有大量数据会滋生一种虚假的安全感。如果大量数据不能充分涵盖可能遇到的所有可能情况，则它不一定有价值。
封闭的决策过程将不断利用已知的映射环境（即您拥有的数据），并且在不断变化的世界中可能会出现不稳定因素。状态空间探索和扩展先前学习空间的能力是稳定适应的关键。针对强化学习和其他优化方法，已经检查了与推动高级策略决策相一致的成本函数的分层目标和层次结构。
我们设想的决策过程类似于经典的强化学习方法或 OODA 方法。EDA 物理设计流程示例（如下）显示了分层数据基础设施与数据驱动解决方案的组合，包括分析、机器学习和深度学习、优化和大规模分布式处理。
可以使用多阶段成本函数跨多个设计步骤做出决策。
分析用于帮助确定哪些观察到的数据是重要的和学习的，以及如何标记和存储这些数据。分析还可以推动成本函数的设计，以便在优化期间进行正强化和负强化。机器学习和深度学习用于捕获复杂的设计交互，并对行为和决策进行建模。
优化用于在所需时间内将解决方案驱动到所需的条件或成本。更大的机会是在整个设计空间的后台执行假设探索，以找到更好的解决方案，并在某些情况下评估成本效益分析，其中需求和任务可能具有灵活性。
其中许多算法需要大量的计算带宽，并且分布式处理是加速该过程所必需的。特别是优化会消耗大量计算，因此它使用并行处理 - 计算能力越强，系统可以做的探索就越多。
鉴于电子公司拥有广泛的内部 IT 能力，云计算可能在制定计算基础设施标准方面发挥重要作用。我们的方法是分层的，从低级决策序列开始，分层构建到多个序列，然后到一个流程，其中跨设计步骤进行优化，反馈布线质量以影响未来的布局。此方法可能需要大量的计算资源，而这些资源在本地安装中可能不可用。
下一波机器学习和深度学习必须满足智能嵌入式系统的许多基本需求，以适应其环境。这些系统包括 ADAS、机器人、CAD、运输和物流等应用程序以及分布式 IoT 应用程序。
下一波浪潮也将更加强调可解释的 AI，尤其是在涉及人为因素和安全的情况下。此外，下一波浪潮将要求在验证流程和标准方面取得重大进展，以确保稳健的适应。所有这些挑战的进展将使真正适应性强的商业决策系统成为可能。
