Некоторые проблемы развития искусственного интеллекта

Некоторые проблемы развития искусственного интеллекта

Выпуск 4(6678) от 21 февраля 2019 г.
РУБРИКА: ПРОРЫВНЫЕ ТЕХНОЛОГИИ МИКРО И РАДИОЭЛЕКТРОНИКИ

Область искусственного интеллекта в последнее время привлекает пристальное внимание изготовителей изделий микро- и радиоэлектроники. Причина в том, что применение данной технологии потенциально позволяет значительно расширить возможности как выпускаемой продукции, так и собственно производства.


ЦЕННОСТЬ ИИ В САПР

В первую очередь необходимо четко понимать, что привносит искусственный интеллект (ИИ) в ценность систем автоматизированного проектирования (САПР). Создание продуктов, аналогичных исходному, не приводит к созданию новой ценности. Пользователи инструментальных средств САПР, как правило, просто используют ИИ для получения необходимых результатов и не занимаются улучшением базовых технологий САПР.

В настоящее время разработчики инструментальных средств САПР широко экспериментируют с использованием ИИ. Основная цель этих усилий – ​понять реальную ценность ИИ при совершенствовании инструментальных средств САПР.


ФОРМИРОВАНИЕ БАЗЫ ДАННЫХ

Существуют разные способы достижения необходимой точности, но главный из них по важности и степени воздействия на конечный продукт – ​это формирование необходимой базы данных. Использование машинного интеллекта – ​новый и перспективный подход к разработке инструментальных средств САПР, однако нельзя забывать об опасности неполных данных, способных привести к формированию неточной модели. Без надежных обучающих данных невозможно построить хорошие нейросетевые модели, а построение неточной модели приведет к неправильным выводам.


БОЛЬШАЯ РАЗМЕРНОСТЬ

В чем уникальность машинного интеллекта? В способности быстро решать задачи большой размерности. Проблемы инструментальных средств САПР как раз и связаны с тем, что на протяжении многих лет разработчики были вынуждены использовать данные большой размерности для описания все меньших топологий. Технологии машинного интеллекта предназначены для работы с большими объемами данных, однако результатом одновременного осуществления множества измерений с применением методик ИИ и глубокого обучения может стать снижение точности измерений, да и просто путаница при обработке результатов. Ввиду этого значительное внимание уделяется методам визуализации проблемы и анализа наборов данных перед их загрузкой в средства САПР.

Уменьшение размерности данных с помощью визуализации позволяет быстрее обнаружить проблему, а также ускорить реализацию методик машинного обучения.


ТЕХНОЛОГИЧЕСКИЙ ОТБОР

Один из факторов, определяющих простоту включения машинного интеллекта в состав инструментального средства САПР, – ​это выбор элементов разработки, т. е. наборов инфраструктурных объектов, библиотек элементов и машинных языков, которые и будут использоваться для разработки ИИ и ПО для машинного обучения. Наиболее популярны для разработки моделей глубокого обучения такие платформы и библиотеки, как TensorFlow, Caffe и MXNet. Проблема в том, что именно эти инструментальные средства не пользуются популярностью у разработчиков собственно САПР, которые для прототипирования и создания пользовательских интерфейсов традиционно обращаются к языкам C, C++ и Tcl, при этом другая часть разработчиков предпочитает Python, Java, R и т. д. Кроме того, процесс развития машинного обучения подразделяется на два отдельных этапа – ​обучения (т. е. создания самой модели) и формирования выводов (т. е. использования модели). Отдельный вопрос – ​где создается сама модель: на сайте поставщика или на сайте заказчика. Иными словами, подгонка ИИ и встраивание процесса глубокого обучения в среду инструментальных средств САПР могут представлять собой большую проблему. Ситуация осложняется тем, что инструментальные средства САПР занимают совсем небольшой сегмент рынка разработки ПО, и специалистов в данной области, знакомых со специфическими проблемами, очень мало.

В итоге складывается следующая ситуация:

ν    мало разработчиков ПО знакомы с проблемами написания программ для инструментальных средств автоматизированного проектирования;

ν    нет ответов на вопрос, как лучше выбирать инструментарий ИИ и инструментальные средства для разработки процесса глубокого обучения;

ν    непонятно, как создавать интерфейсы, совместимые с инструментальными средствами разработки САПР.

При этом отмечается, что некоторые платформы ИИ обладают уровнями (C/C++), обеспечивающими точку выхода в среду для опытных разработчиков инструментальных средств САПР. Специалисты корпорации Paripath считают, что для подобных целей подходит средство TensorFlow, сопрягаемое в некоторых случаях с C/C++.


ИНТЕГРАЦИЯ В УНАСЛЕДОВАННЫЕ СИСТЕМЫ

Существуют два варианта усовершенствования инструментальных средств САПР с использованием ИИ. В первом используется обученная модель, преду-сматривающая управление процессом принятия решений в рамках процесса принятия решений в среде САПР. В этом случае обученная нейронная сеть не изменяется. Точность использования ПО не улучшается в том случае, если фирма-поставщик инструментального средства САПР не сохраняет базовую нейронную сеть. Подобные варианты, как правило, основываются на стандартных подходах к использованию инструментальных средств САПР, разработанных с применением детерминированных алгоритмов.

Во втором случае конечный пользователь может переобучить базовую нейронную сеть, что позволит инструментальному средству САПР со временем получать более точные результаты. Таким образом создается беспроигрышная ситуация: пользователи могут совершенствовать приобретенные средства без помощи прикладных специалистов поставщика инструментальных средств САПР. Если же переобученные модели отправляются обратно поставщику для включения в новые версии инструментальных средств, то преимущества от данных, полученных в процессе машинного обучения конкретным пользователем, могут стать доступными как для самого поставщика инструментального средства САПР, так и для всех пользователей.

В современной бизнес-среде инструментальных средств САПР большинство наборов данных представляют собой собственность их разработчиков и тщательно охраняются. Однако сама логика развития инструментальных средств САПР (особенно с использованием методик машинного интеллекта) приводит к раскрытию содержания подобных наборов данных. Внедрение машинного интеллекта позволяет каждому пользователю инструментальных средств САПР расширять свои возможности за счет обучения приобретенной продукции, но здесь уже многое будет зависеть от правового оформления приобретенного продукта.

 

1. Sharma Rohit. How to Add Machine Intelligence or AI to EDA Tools. Solid State Technology. Wafer News, January 30, 2019: https://electroiq.com/2019/01/how-to-add-machine-intelligence-or-ai-to-eda-tools/ 

2. Yoshida Junko. Who’s Who in AI Today. EE Times, January 18, 2019: https://www.eetimes.com/author.asp?section_id=36&doc_id=1334219 

3. Merritt Rick. 7 Predictions for AI in 2019. EE Times, December 26, 2018: https://www.eetimes.com/author.asp?section_id=36&doc_id=1334117 

4. Brewer Dan. AI Needs Printed Electronics for Sensor Arrays. EE Times, December 27, 2018: https://www.eetimes.com/author.asp?section_id=36&doc_id=1334119 

5. Hilson Gary. Researchers Explore Emerging Memories for AI. EE Times, December 28, 2018: https://www.eetimes.com/document.asp?doc_id=1334122


ЧИТАЙТЕ ТАКЖЕ

Выпуск 22(6746) от 11 ноября 2021 г. г.
Выпуск 16(6740) от 19 августа 2021 г. г.
Выпуск 13(6737) от 08 июля 2021 г. г.