基于机器学习的硬件设计与优化研究

先进电子学机器学习中心(CAEML)成立于2016年。它的大部分研究已经开始在实际应用中结出果实。我们将重点介绍两个使用CAEML研究结果的惠普企业应用程序。

第一个是使用主成分分析(PCA)和多项式混沌展开(PCE)代理模型进行56G PAM信道优化和训练加速。测量了一个56G PAM SerDes和一个具有不同损耗的信道，并使用机器学习技术来加速信道优化过程，并在不使用任何模拟的情况下正确地对SerDes建模。

第二种是CAEML开发的基于机器学习技术的主动硬件故障预测方法。该方法目前正在现场部署，可以主动从现场移除驱动器，以避免潜在的性能下降和数据丢失。

演讲内容包括:

• CAEML简介
• 机器学习在硬件设计中的独特应用不同于典型的CNN或LSTM神经网络应用
• 演示56 PAM SerDes性能优化使用PCA和PCE代理模型
• 生产应用程序使用主动硬件故障预测和随机推断，以在现场删除坏驱动器
• CAEML的未来调查

CAEML研究人员使用MATLAB^®和相关的工具箱在整个应用程序开发过程中广泛使用。例如，使用了标准的MATLAB PCA包，同时为多项式混沌展开代理模型和随机推断特征选择函数开发了自定义MATLAB代码。丰富的数学库允许快速开发原型特殊函数。