Aquesta tesi consisteix a desenvolupar models d'aprenentatge automàtic per predir mètriques en l'àmbit del disseny de microxips. S'ha desenvolupat en col·laboració amb Marvell Technology, Inc., que és una empresa dedicada al disseny i producció de microxips. Els microxips es dissenyen i es posen a prova mitjançant alguns processos que requereixen gastar molts recursos. Aquests recursos s'han de sol·licitar prèviament i es poden malgastar si la sol·licitud no coincideix amb la realitat. Això pot costar a l'empresa molts diners i temps. L'objectiu principal d'aquest projecte és resoldre aquest problema mitjançant algorismes i tècniques d'aprenentatge automàtic. Es realitza la creació de diferents models per trobar la solució més òptima a aquest problema. Aquests models d'aprenentatge automàtic s'alimenten de dades obtingudes tant de projectes experimentals com reals de l'empresa. Les dades tenen molts problemes com ara inconsistències i valors atípics. Per tant, es fa un preprocessament adequat, així com algunes transformacions per obtenir informació valuosa per als models. El resultat d'aquest projecte és la troballa d'un model que utilitza l'aprenentatge automàtic per poder predir aquestes mètriques amb èxit per reduir en gran mesura el malbaratament de recursos.
This thesis consists in developing machine learning models to predict metrics in the field of microchip design. It has been developed in collaboration with Marvell Technology, Inc., which is a company dedicated to the design and production of microchips. Microchips are designed and tested through some processes that require spending many resources. These resources need to be requested beforehand, and they can be wasted if the request doesn't match reality. This can cost the company a lot of money and time. The main goal of this project is to solve this problem using machine learning algorithms and techniques. The creation of different models is carried out to find the most optimal solution for this problem. These machine learning models are fed with data obtained from both experimental and real projects of the company. Data comes with many problems like inconsistency and outliers. Therefore, proper preprocessing is done, as well as some transformations to get valuable information for the models. The outcome of this project is the finding of a model that uses machine learning to be able to predict these metrics successfully to strongly reduce the waste of resources.
