توسعه تراشههای پیشرفته همیشه با چالش «اثرات انگلی» (Parasitic effects) در مدارات آنالوگ و سیگنالمخلوط همراه بوده که هزینههای طراحی را به شدت بالا میبرد. حالا محققان با ارائه ParasGB، اولین مجموعه داده متنباز (Benchmark) برای پیشبینی هوشمند این پارامترها در گرافهای مداری را معرفی کردهاند.
این ابزار به مدلهای GNN (شبکههای عصبی گرافی) کمک میکند تا قبل از ساخت نهایی تراشه، با دقت بالایی مقاومت و ظرفیت خازنی را تخمین بزنند و مسیر را برای طراحیهای سریعتر و کمهزینهتر هموار کنند. اگر در حوزه سختافزار و هوش مصنوعی فعالیت میکنید، این یک گام بزرگ برای استانداردسازی مدلهای یادگیری عمیق در EDA است! 🤖⚙️
منبع: arXiv Machine Learning