第090章 有能力的才能當爸爸！

手機在旁邊不停的震動，但寧為仿若未覺。

最近一段時間，湍流算法那邊他幾乎完全放下了，全身心的投入到了EDA軟件這塊。

到不是湍流算法那邊已經沒問題了，實際上之所以這個項目一直在實驗室裏進行內測，還沒有對外聯系進行大規模公測，也是因為遇到了技術瓶頸。

目前湍流算法在實驗室裏的錯誤判斷率穩定在十萬分之一點八左右，無法再進一步下降了。

十萬分之一點八的出錯率聽起來不算高，但如果應用在12306這種售票網站跟APP的服務器上，卻很可怕。

用戶基數太大了。

每一億人次使用12306訂票，可能有1800多人被誤判為惡意爬蟲程序而受到懲罰，這得是多敗人品的一件事。更別提每年使用12306訂票系統的何止一億人次？

一個長假都不止了！

寧為跟三位輔助的研究員也不是沒想過辦法，幾個人一起頭腦風暴過，對算法經過了兩次叠代，但始終無法降低實驗室內測的錯誤率。

這讓寧為有種感覺，湍流算法的進一步突破，可能需要他對整個系統的理解進一步加深，這是急不來的，索性先這麽在實驗室掛著，多做一段時間的內測，可用來分析的數據足夠多了，說不定就能從這些數據中找出一些端倪。

所以寧為便不再關注湍流算法那邊，畢竟EDA軟件項目組這邊，沒人比他更清楚這款軟件的結構跟難點。

最大的難點其實就是讓芯片設計簡單化。

舉一個簡單的例子。

在使用主流EDA軟件做後端設計的時候，第一步一般是需要對標準庫進行設置。

需要的數據大概可以分為三類，分別為邏輯層、物理層跟設計。

這三類又能細分為六種文件，包括工藝文件、單元庫、子庫、綜合後網表文件、約束Pad位置的TDF文件跟綜合後給出的時序約束文件。

然後是芯片的整體布局，這是直接影響到芯片面積、速度信號完整性跟設計周期的重要步驟。要為模塊、輸入輸出接口、電源焊盤等等分配對應的位置。

接下來是時鐘樹綜合，這也是一大挑戰。想想看，在集合數千萬甚至上億的晶體管後，要將時鐘信號零偏差的傳輸到芯片每一個局部區域本就是件不簡單的事情。

接下來是整體布線，這也是整個芯片設計最重要的物理實踐過程。

緊跟著還要進行設計規則檢查。

這些都做完之後，沒有問題了，再進入仿真環節……

按照寧為的想法，是要以上步驟完全縮減到一步到位，在對象庫中集成完成某一特定類任務的一級芯片架構，即為容器，然後是二級架構即為群，然後依次往下劃分……

操作者只需要將進行簡單的組合，經過對已有結構的簡單修補刪減之後，就能直接進入仿真環節。

這也是這款EDA軟件單純只是為了設計各類AI芯片的原因。

如果要用這種傻瓜方式設計通用芯片，寧為就算真把頭發耗光，也不可能解決得了傻瓜式操作這一難題。

但在AI芯片領域卻是能做到的。

就目前AI領域的情況來說，所謂智能算法一是快速尋求最優解的過程。這些算法通過模擬一些自然過程，來解決復雜工程問題。

還有基於數據的機器學習，主要是從已知數據出發用來對未知數據進行預測的規律等等。

所以寧為的設計理念很簡單。

比如首先搭載一個標準的卷積神經網絡學習的容器，然後在子分類下方融入各種機器視覺類別的組，比如圖片識別、人臉識別、進階的表情識別、手勢識別等等。

群下再設組完成具體的加權、求和、激活、傳遞、回歸等單一功能。

操作者只需要輸入自己想設計的芯片類型，首先就會跳出對象庫中的容器框架，然後操作者再自行選擇這一框架下要實現的功能。

要讓操作者覺得簡單，對於軟件設計者來說就很難了。

寧為的目標是在這款EDA推出之前起碼要在對象庫中設計五個容器結構，以及相對應可融合的群組結構。

推向市場之後就簡單了，如果有人用，高階的設計團隊就能在學習軟件的各種標準跟說明後，自行設計容器，跟配套的群、組以及元器件，或者利用已有定義的元器件重新設計出功能更強悍的容器結構跟配套群、組，上傳後，經過審核部門多次驗證之後，納入到對象庫中。

但現階段這些工作必須他自己來做，畢竟實驗室調撥的那些教授們或者編程技術都不錯，但數學方面，還是要差了一點。

終於，忙碌了三個小時，又用早先定義好的元和組，構建了好了一個容器下的群結構，寧為靠在椅子上長出了口氣。搞科研項目是真心的累，尤其是碰到難解問題的時候。