在模拟设计领域，创新步伐缓慢，这并非因为设计师缺乏更好的方法，也不是设计技术创新者缺乏努力和想法，而是因为该领域极具挑战性。连续时间和信号，以及环境/工艺特性的变化，构成了一个多维空间，设计师必须证明设计的稳定性和性能。

抽象似乎是一个显而易见的答案，但找到一个可行的解决方案并不容易。Mach42提供了一个基于机器学习的解决方案，这可能正是设计师一直在寻找的突破。

模拟验证的难点在于，验证设计正确性的参考引擎是SPICE，它非常准确但执行速度慢。尽管最近在性能方面有所提升，但模拟器的速度只是问题的一部分。在模拟一个模拟设计时，需要运行在广泛的工艺参数和环境条件下，以验证其行为。这些模拟以蒙特卡洛（MC）分析或最近的缩放sigma抽样（SSS）的形式进行采样，这是当前的最佳实践。这些分析需要大量的计算资源或运行时间来处理多维采样网格，其中工艺参数、电压、电流、RLC、温度等可以在最小值、最大值和标称值之间变化。

Mach42的发现平台通过机器学习方法构建代理模型，结合现有模拟运行结果以及额外的运行结果来驱动AI架构的训练。经过初始的模拟运行或SPICE运行训练，Mach42提出了他们方法中的两个重要创新。这包括在模型中高方差区域周围进行主动学习以提高准确度，以及可重构的神经网络架构，以引导90%的模型准确度，或者允许用户为了更高的准确度而施加更大的压力。

Mach42正在利用他们在生产中已经应用于非常不同领域的机器学习技术（核聚变），因此他们在模拟应用方面有一个很好的起点。他们告诉我，发现平台已经与多个客户进行了积极的评估。Mach42还与Cadence在Spectre上建立了合作关系。

这一切看起来都非常令人鼓舞。令人鼓舞的是，该公司正在开发在这个流程中构建Verilog-A模型。这对于AMS设计师来说自然是件好事，但也指向了开发RNM模型的可能性，这些模型可以用于数字验证，特别是在与硬件加速器一起使用时。这将是一个重大进步，因为据我所知，开发此类模型仍然是模拟设计团队的一个障碍。一种自动跳过这个障碍的方法可能会打开在模拟-数字之间进行广泛AMS测试的大门。