美國有九家公司以及三所大學聯手展開一個研發計畫，想看看機器學習是否能夠解決電子設計領域的一些最棘手的問題；新成立的CAEML (Center for Advanced Electronics through Machine Learning)研究中心是跨產業界眾多嘗試利用新興人工智慧技術的努力之一。

CAEML總監Elyse Rosenbaum在近日于美國舉行的DesignCon大會上的座談會中表示，這個計畫就像很多科技領域的點子，是：「發生在某個下午的一間咖啡店里；我們正面臨共同的問題，需要介接電子遷移(electro-migration)與電路領域的行為模式，但不知道該如何取得，因為同業們對不同的應用感興趣。」

Rosenbaum表示：「我們知道我們無法針對某個特定問題取得資金，所以我們決定需要解決所有問題，并與其他大學聯手，一起針對適合運用于電子設計領域的各種的機器學習技術與演算法進行調查。 」

這項計畫獲得了美國國家科學基金會(NSF)與9家企業的支持，包括：ADI、Cadence、Cisco、HPE (Hewlett-Packard Enterprise)、IBM、Nvidia、Qualcomm、Samsung與Xilinx；三所合作的大學則是伊利諾大學香檳分校(University of Illinois Urbana-Champaign)、北卡羅萊納州立大學(NCSU)，以及喬治亞理工學院(Georgia Tech)。

到目前為止，該計畫的參與成員已經確定了包括高速互連、電力傳輸、系統級靜電放電(ESD)、IP核心重復使用、設計規則檢查(design rule checking)等興趣領域，Rosenbaum的研究團隊將探索利用遞歸神經網路(recurrent neural nets)來為電路的ESD特性建立模型，因此能讓系統第一次就通過品質測試。

Rosenbaum表示：「我們想為無法利用現有技術來建立模型的現象建模…例如是依據電力傳輸網路，以及處理器中多核心互動等應用而有所不同的ESD特性。」

需要克服的障礙之一，是找到將神經網路預測界定為實體有效輸出的方法；Rosenbaum指出，整體來看，研究人員需要謹慎建構機器學習程序的每個步驟，從取得良好的訓練資料到選擇候選模型、訓練它們，并驗證其結果。

她補充指出：「我們平常建立的大多數是包括預期輸出的判別模型(discriminative model)，不過機器學習建立的生成模型(generative model)，會提供輸入與輸出之間的可能性，這對于像是晶片的制造差異等統計性問題非常有用。」

HPE儲存部門的杰出技術人員Chris Cheng舉出他想應用機器學習的數個案例，例如他預見未來晶片供應商能隨著神經網路工程師可以測試并透過云端服務訓練，而提供互動的零組件模型；他也預測，通道分析能利用機器學習，以云端服務的形式來處理。此外，他還描繪了一個在示波器中嵌入神經網路，使其能動態學習等化(equalization)技術的構想。

EDA供應商Cadence的類比設計工具Virtuoso部門資深研發總監David White表示，該公司已經嘗試利用機器學習來解決晶片設計的棘手問題；機器學習能提供處理設計規則增加以及先進制程節點大型晶片設計等問題的方式。

White形容，未來將會有設計工具能夠在晶片設計流程中，針對例如電子遷移、寄生參數萃取(parasitic extraction)等問題提供回饋，這種能力將可減少晶片設計人員在今日經歷的多次設計反覆。NCSU教授Paul Franson 則指出，已經有學生利用機器學習，將晶片繞線的反覆設計由20次減少到4次。