機器學習（ML）技術開始逐漸在全球電子設計自動化（EDA）領域扮演要角，在2017年設計自動化會議（DAC 2017）上超過2成報告甚至是與機器學習技術相關，不過機器學習應用仍未均勻分布，其中資料近用即為一大課題，而安謀（ARM）自2年前開始在芯片設計上進行關于程序設計錯誤的大量分析，發現機器學習技術有助于實現無程序錯誤的芯片開發，這似乎也開啟了運用機器學習技術協助芯片設計的新應用途徑。

根據New Electronics網站報導，安謀技術服務團隊工程分析總監Bryan Dickman表示，RTL驗證創造了大量資料，這正在成為一個巨量資料問題，安謀從事許多關于程序錯誤的分析，藉由方法論及設計領域尋找程序錯誤。

安謀自2年前開始決定調查其團隊進行硬件設計的方法，透過為云端運算開發的工具，安謀如今從該公司每日運行的數千項測試及模擬產生的各項結果進行仔細檢查，以求尋找出模式。Dickman指出，如何從安謀平日進行的大量驗證中尋找到程序錯誤值得關注，并可思考如果進行過大量驗證周期，但卻沒有發現任何程序錯誤時，是否這些采用的驗證周期都沒有使用的價值。

至今重點一直在如何打造視覺化工具協助工程師分析模式，下一階段則是要打造能夠從資料中學習的工具，如Dickman表示，安謀正在研究如何采用機器學習算法，并將機器學習算法應用于資料上，之后再設計可預測的工作流程以提高生產力。

目前RTL驗證團隊以機器學習方法進行驗證看到的一個成功領域，在于安謀設計人士所憂心的消除部分無價值驗證周期上。另一個機器學習技術具有影響性的領域則在產量分析上，如機器學習能夠在芯片密度設計上預測幾何的類型，因這可能導致芯片制程中微影及其它制程的失敗，進而導致生產良率下降，因此若能透過機器學習技術稍微提升良率幾個百分點，將能夠創造顯著的經濟效益。

NVIDIA資深工程總監Ting Ku于本屆DAC會中指出，當談到機器學習時，多數人會認為機器學習是與神經網絡相關的技術，不過資料卻不需要以神經網絡來模型化；芯片設計云端運算先驅廠商Plunify共同創辦人Kirvy Teo指出，在這塊領域的機器學習本質與在Google看到的不同，神經網絡在多個資料點上運行得非常好，不過是在處理數千個資料點，而非處理達數十億個資料點。

Solido公司執行長Amit Gupta表示，過去7年來該公司一直專注于變化感知設計用機器學習技術開發上，并正將之拓展至其它領域，首個領域即特征化，但也面對到有客戶對于將此擴充至EDA范圍內其它領域的需求性；高通（Qualcomm）技術資深總監Sorin Dobre也提到將機器學習擴充應用至更多在實體設計等級所需的任務，表示在10納米及7納米高通看到許多制程的變化，必須橫跨多個制程工藝角（process corner）來進行驗證。

實體驗證團隊目前面臨的問題，在于溫度、晶體管速度及電壓結合的數量，團隊表示，問題出在如何在制程工藝角未擴張下獲得良好的質量結果。機器學習能夠提升生產力達10倍以上。

下一個階段則在于試圖跨專案重復利用機器學習技術，這是減緩在RTL驗證中采用資料采礦及機器學習技術進程的一項阻礙。