XC7K160T-2FBG484I_AD2019BRZ导读
机器学习不仅有助于提高 QoR,还能缩短编译时间,并根据设计模式预测和加快设计收敛策略。研究显示,与传统 EDA 算法相比,QoR 比最初提高了 10%。
尽管摩尔定律逐步放缓,但在过去 20 多年间,FPGA 晶体管数量呈现的指数级增长丝毫未减。长期以来,EDA 面临着各种挑战:器件数量越来越多、设计越来越复杂。
XC7K160T-2FBG484I_AD2019BRZ
XC7K420T-2FFV901I
XC7K325T-L2FBG676I XC7K410T-L2FFG676I XC7K325T-1FB900C XC7K325T-3FBG900E XC7K325T-L2FBG900I 。
XC7K355T-1FFG90II XC7K355T-2FBG676C XC7K355T-2FBG676I XC7K355T-2FBG901C XC7K355T-2FBG901I 。
XC7K325F-2FGG900C XC7K325I-2FFG900C XC7K325I-2FFG900I XC7K325KT-1FFG900I XC7K325T 。
XC7K325T-3FBG900C XC7K325T-3FBG900I XC7K325T-3FF900C XC7K325T-3FF900E XC7K325T-3FF900I 。
XC7K160T-2FBG484I_AD2019BRZ
AD1986AJCPZ-RL
XC7K160T-2FFG676E XC7K160T-2FFG676I XC7K160T-2FFG67C XC7K160T-2FGG676I XC7K160T-3FB484E 。
XC7K325T-2FBG900C XC7K325T-2FBG900C XC7K325T-2FBG900E XC7K325T-2FBG900I XC7K325T-2FBG900I 。
XC7K325T-2FFG900 XC7K325T-2FFG900C XC7K325T-2FFG900C-H XC7K325T-2FFG900E XC7K325T2FFG900I 。
XC7K355T-1FF901I XC7K355T-1FFG676C XC7K355T-1FFG676I XC7K355T-1FFG901 XC7K355T-1FFG901I 。
XC7K160T-2FBG484I_AD2019BRZ
这也就导致了设计方法的多种多样,其丰富程度甚至超越了宇宙中原子的数量。换句话说,玩 EDA 比下围棋难得多。
因此,通常在 EDA 中面临的取舍是,在编译时间和 QoR 之间进行抉择。更糟糕的是,优化算法本身为多项式,会随设计大小呈指数级浮动。
相关资讯