預測性AI-Centric SPICEEDA工具有望提高電路設計生產率的訂單數量。所有這些都消除了放置組件，鍵入命令，將設計流保持在跟蹤，編寫腳本，通過電路庫進行狩獵等等的需求。但是，預測性AI-Centric SPICE工具不會停止。類似于預測性在線消費者廣告的工作方式，Spiceai工具將提供相關和簡潔的設計注釋，建議設計策略，甚至為您實施，模擬和評估它們。預測性AI開始更好地了解您，將為您的工作日建立特定于香料設計的空間，在早上簡短，并且晚上提供了您的電路的能源指標及其自身的能耗和能源電網影響報告。

定義的預測性AI以AI-Centric SPICE

憑借以AI-Centric SPICE的目標仍然存在，該定義仍然需要答案。今天的答案是多維的，并且取決于您提出的工程師可能會增加或可能不會增加多維價值。

硬件答案是可擴展的并行計算。具體而言，可以在多個IP核心模型的多個級別上同時在多個級別上執(zhí)行多個IP核心模型的平行計算，該計算可以執(zhí)行多個矩陣重音算法計算算法(DC，瞬態(tài)，頻率，噪聲，Pvt Corner，Monte Carlo)。更重要的是，在預設計算時間內完成的模擬，縮小或向上縮放，以確保AI模擬工作負載不會超過能源合規(guī)指南。

在預測域中，AI-Centric SPICE工具知道要做什么，可交付成果，如何完成以及需要做什么。對于初學者，預測AI配置了設計項目所需的硬件和軟件平臺。在電路設計域中，它決定了哪種半導體過程技術以及哪些IP核心細胞和宏是最好的選擇。由于EDA設計流是良好的，因此預測性AI工具不必等待人類命令，因此它知道必須以什么順序運行分析算法，以及巡回賽設計和仿真問題可能是什么。如果沒有，它將很快在記錄并搜索每個操作員的計算機擊鍵時學習。

香料學習曲線答案..文本提示

盡管開箱即用的并行計算可能會令人印象深刻，但當今的設計師將即時的模擬結果視為理所當然。在新的AI工具世界中。承諾是零時間學習曲線。在當今的EDA生態(tài)系統(tǒng)中，一種消除了繁瑣，過于復雜，適得其反的操作程序的工具。

為了減少學習時間并提高日常生產率，希望是與雙子座或副駕駛類似的香料文本提示接口。理解人類文本命令的文本界面消除了學習隱秘編碼命令和冗長的按鈕序列的需求。具體而言，具有足夠高的智商水平的文本接口，可以輕松理解和實施下一步要做的工程師。像：

“設置一個表征電路，以確定SIC JFET的直流和AC電氣規(guī)格。”

或者：

“執(zhí)行所有必要的電氣特異性模擬，然后生成數據表?！?

矩陣計算…時間和能量瓶頸

矩陣計算，一種可以追溯到公元前300年的數學技術在AI軟件和硬件中無處不在。盡管具有獨創(chuàng)性，但矩陣計算仍作為基本AI計算算法的缺點。具體而言，它是計算密集型的，這意味著能源密集型。隨著矩陣重量的數量超過數十億到無限，模擬器的能量影響不可忽視。盡管看似可以容忍，但AI的能源危機更多地是關于沒有準備的 AI能量網格， 而不是能量本身。

理想情況下，以AI-Centric SPICE工具不會使用矩陣強算法。將消除涉及100,000 x 100,000矩陣的收斂問題和冗長的電路模擬，但是解決矩陣算法香料的替代方法已依賴于50多年?

減少香料能源成本的一種方法是一種基于推論和邏輯的預測結構方法。推理和預測驅動的香料工具可以識別電路結構并在沒有矩陣計算的情況下確定其功能。例如，可以使用邏輯而不是矩陣數學來確定具有在某些范圍，歐姆，megaohms microfarads等內具有組件的運算符電路，或者是一個過濾器，或者對于該范圍的帶寬濾波器，帶寬在音頻范圍內。更重要的是，基于推理的IF-IF-THEN邏輯可用于訓練以AI為中心的機器以識別原理圖的功能，實現電路函數，并確定電路設計是否會收斂還是不會收斂。

神經學習

AI-Centric SPICE工具的一個級別是神經網絡，特別是神經網絡權重。隨著神經網絡通過連續(xù)的反復試驗學習，它會改變原始的重量矩陣。在某一時刻，神經網絡確定了最佳設計結果所需的確切權重。在香料電路圖中，權重為組件值。例如，一個10kΩ電阻的重量為10,000。重量不止于此，電阻器的重量也包括溫度系數，方差，尺寸等。

為了減少神經學習的能源網格需求，該方法是創(chuàng)建和使用已被證明可以減少矩陣 - 強大的模擬重申的神經種子的數據集，以了解如何為這種工作來說明這項工作，以進行思維的自主能量能量量化的電路設計。這里的電路設計過程需要初始的重量陣列或神經種子?；蛟谄胀娐吩O計語言中，第一個通過設計嘗試。通過反饋機制，運行連續(xù)的電路模擬，評估了模擬結果，并且電路權重發(fā)生了變化。這樣做直到在此示例中，權重產生在指定能量極限內的電路。反過來，這些權重用于神經種子。

預測視覺界面

以AI-Centric SPICE的視覺接口雖然不是涉及的AI算法的基礎，但它用于構建或指導基于文本及時的電路設計。香料聊天不需要雙子座的詞匯。為了簡化香料聊天設計，一種方法是簡單地忽略尚未接受過培訓的單詞。

智能模擬世界中的預測視覺接口或GUI是動態(tài)的。它們是根據設計項目的性質生成的。一個名為SIC類AB放大器的設計項目就像物理電子工作臺一樣，將自動設置為虛擬SIC設計工作臺。

視覺界面還為設計師提供了文本提示熟悉的詞匯的了解。可以猜到的是，SIC設計的AI Spice聊天的詞匯包括在SIC JFET或MOSFET數據表中找到的技術規(guī)格的首字母縮寫和全名。對于SIC音頻類AB電源設計項目，高級智商香料工具有望具有高級模擬設計詞匯。更重要的是，預計視覺接口將向設計的可行性提供建議，并在設計過程啟動之前顯示預期的仿真結果。

訓練有素的預測模擬器很可能有一個警告箱。例如，要警告您嘗試執(zhí)行低溫SIC電路模擬可能是設計和應用程序徒勞的。

預測數據集和數據庫

以AI-Centric SPICE操作的核心是其數據集。對于香料，數據集自然包括模型庫，相關的數據規(guī)格，先前完成的設計，網表和電路結構。香料生成的工程報告，圖，熱分析模式等。數據集也可以以公司間的技術報告或USPTO的專利形式出現。 AI-Centric SPICE工具可以使用這些數據集生成針對計劃的電路設計項目的報告。來自該數據集的AI-Centric SPICE報告可能能夠回答諸如哪個問題，實際上哪個SIC對電流的流量最高?或者，實際上，SIC JFET對電流的排水最高?

結論

預測性AI-Centric SPICE

工具將作為人類設計助理。最初能夠接受廣義設計命令，它們將演變?yōu)楠毩⒐ぷ?。他們將具有文本，視覺和層次結構接口，這些接口直接連接到明顯的獨立且越來越多的結構化數據集：文本接口將使設計人員可以選擇哪些數據集用于從中提取和編譯報告。以AI-Centric SPICE工具將基于使用電路組件權重和連接圖的預測猜測產生第一頻繁的設計和仿真結果，該猜測確定了設計設計的意圖，功能和可行性。有了所有這些，領先的以AI-Centric SPICE工具必須具有極低的能源需求，并且始終產生屢獲殊榮的能源優(yōu)化電路設計。