Die gesamte Serie lesen
Dieser Artikel ist Teil einer ausführlichen Anleitung dazu, wie wir mit Quilters physikgestützter Layout-Automatisierung einen Computer auf Basis des NXP i.MX 8M Mini nachgebaut haben.
Eric Vishria, General Partner bei Benchmark, und Sergiy Nesterenko, Gründer und CEO von Quilter, sprechen mit Nathan Labenz über Quilters bahnbrechenden Einsatz von Reinforcement Learning zur Automatisierung des Designs integrierter Leiterplatten.
Sie diskutieren, warum man über „Copiloten“ hinaus zu vollständig automatisierten KI-Lösungen denken sollte, und untersuchen das Verhältnis zwischen Forschung und Entwicklung im KI-Bereich.
ZEITMARKEN:
(00:30) Einführung
(01:07) Erics Investitionsthese
(03:00) Der Ansatz „AI and Done“
(06:50) Abgrenzung von großen Sprachmodellen
(09:15) Das „Idea Maze“-Framework
(11:54) Disruptive Innovation
(12:47) Sponsor: Brave | Babbel
(15:09) Die Datenlandschaft erkunden
(16:18) Datengrenzen und Reinforcement Learning
(18:00) Das Problem seltener Belohnungen überwinden
(19:10) Menschliche Heuristiken und Zwischenbelohnungen
(21:06) Extrapolation und Interpolation
(24:37) Vertrauen in das Belohnungssignal beim Leiterplattendesign
(25:46) Physik als eindeutiges Orakel
(27:05) Benutzerdefinierte Suchtiefe: Möglichkeit, Suchtiefe und Iteration des Systems anzupassen und so flexibel auf Designkomplexität und Optimierungsziele einzugehen.
(29:39) Zuweisung von Rechenleistung
(31:47) Verschiedene Verfahren der Physiksimulation
(33:31) Der Diffusionsmodell-Ansatz
(36:00) Vorteile von Reinforcement Learning
(38:00) Zeitplan und Engpässe
(39:37) Unlösbare Probleme und schrittweiser Fortschritt
(41:58) Die Zukunft des Leiterplattendesigns
(43:29) Das Benchmark-Portfolio
(45:00) Herausforderungen und Chancen jeder Kategorie
(51:00) Die Lücke zwischen Forschung und Entwicklung
(53:00) Aufruf an Start-ups
(54:06) Abschluss
