机器学习
找到关键数据，在预设参数下利用机器对数据规律进行外推，这就是机器学习的基础。这种方法已经应用于汽车自动驾驶领域，机器学习系统将辅助并最终取代人类去驾驶汽车，自动驾驶系统做决策时，需要根据行驶场景给出多种预案。
在半导体设计与制造中，也会利用机器学习来提高质量、可靠性及良率。
“采用合适的比例来抽取数据做分析，就能应用于未来的设计，”eSilicon市场副总裁Mike Gianfagna说道，“如何将机器学习算法应用于新领域是关键，在过去7年中，我们在这方面积累了很多经验，我们知道如何挖掘开发数据的价值。当你拥有大量数据时，怎么去抽取分析这些数据？如果抽取数据比例太高，你会迷失在大量数据中，如果抽取数据比例过低，又可能得不出结论。”
Gianfagna表示，在降低风险与增加效率的基础上，实现数据变现是机器学习的目标。“要做到这一点，你需要从全局上来看待大数据分析。”
与很多由大云端服务商提供服务的大数据分析相比，半导体设计和测试行业产生的数据量很少，不过半导体设计与测试数据可能更复杂。
“当前主要任务是收集数据，”NI解决方案市场总监George Zafiropoulos说道，“下一阶段的目标是通过数据分析来给出改进方法。无须刻意寻找，你就能发现数据中的价值吗？你要找的，是数据的趋势和相关性，可以将机器学习应用于任何环节。如果软件提示，本周四产线产出较低，为什么会产出低？或者特定温度与特定电压对产品性能的影响。（这些都可以用数据分析来指导）”
Zafiropoulos指出，可以将更好的芯片设计作为目标。“作为工程师，我们围绕设计来制定规则，但如果你想面面俱到，那么效率就不会高。如果在保证可靠性与性能基础上，可以减少保护规则，那将会有很大价值。很多大数据分析都是针对多个数据采集点，一座城市可能有一万个传感器，每天产生大量数据，而亚马逊的订单更是数不胜数。半导体数据比个人能处理的数据显然要多，但也远达不到亚马逊交易数据这个量级。”
然而，系统数据可能就比设计数据高几个数量级了，特别是涉及多物理层仿真时。“我们认为，7纳米将是首次导入机器学习和大数据分析的节点，数据量将会膨胀，处理速度也需要增加。” ANSYS总经理兼副总裁John Lee说道，“你需要做同步热分析。热效应影响系统的可靠性，但如果数据量增大到当前技术无法解决，那么就要引入新的方法，所以我们需要大数据技术。最新的GPU有210亿个晶体管，而且可应用于汽车，但这种规模的芯片发热量巨大，（如果散热设计不好），发热时会增加对电路板的压力，并可能导致板子弯曲，但要知道，车用芯片使用寿命长达十年。”
总结
大数据分析在半导体产业应用还处于中段（发展期）。一方面，为提高芯片的性能、效率和可靠性，半导体产业的数据量在增长，数据分析任务在增加；另一方面，半导体产业也在发展各种技术，以充分挖掘数据用途。
这为产业带来了新的增长机会。Cadence 总裁兼CEO 陈立武表示，2015年全球联网汽车市场规模为240亿美元，到2020年，将发展到370亿美元，与之相应，深度学习市场规模2020年将达100亿美元（2015年为6亿美元），云和数据中心市场规模将达800亿美元（2015年650亿美元）。“这将给半导体产业带来机会，”他说道，“从优化物联网到云端，都将给半导体带来很大的机会。”
现在的问题是，围绕这些数据还能做些什么，以及到底如何去实现。这将是半导体产业的一个全新机会，也许会推动半导体产业发展登上一个新台阶。
