紧跟着还要进行设计规则检查。
这些都做完之后，没有问题了，再进入仿真环节……
按照宁为的想法，是要以上步骤完全缩减到一步到位，在对象库中集成完成某一特定类任务的一级芯片架构，即为容器，然后是二级架构即为组，然后依次往下划分……
操作者只需要将进行简单的组合，经过对已有结构的简单修补删减之后，就能直接进入仿真环节。
这也是这款EDA软件单纯只是为了设计各类AI芯片的原因。
如果要用这种傻瓜方式设计通用芯片，宁为就算真把头发耗光，也不可能解决得了傻瓜式操作这一难题。
但在AI芯片领域却是能做到的。
就目前AI领域的情况来说，所谓智能算法一是快速寻求最优解的过程。这些算法通过模拟一些自然过程，来解决复杂工程问题。
还有基于数据的机器学习，主要是从已知数据出发用来对未知数据进行预测的规律等等。
所以宁为的设计理念很简单。
比如首先搭载一个标准的卷积神经网络学习的容器，然后在子分类下方融入各种机器视觉类别的组，比如图片识别、人脸识别、进阶的表情识别、手势识别等等。
让组设计可以相对科学的排列成群，解决特定任务。
操作者只需要输入自己想设计的芯片类型，首先就会跳出对象库中的容器框架，然后操作者再自行选择这一框架下要实现的功能。
要让操作者觉得简单，对于软件设计者来说就很难了。
宁为的目标是在这款EDA推出之前起码要在对象库中设计五个容器结构，以及相对应可融合的群组结构。
推向市场之后就简单了，如果有人用，高阶的设计团队就能在学习软件的各种标准跟说明后，自行设计容器，跟配套的群、组以及元器件，或者利用已有定义的元器件重新设计出功能更强悍的容器结构跟配套群、组，上传后，经过审核部门多次验证之后，纳入到对象库中。
但现阶段这些工作必须他自己来做，毕竟实验室调拨的那些教授们或者编程技术都不错，但数学方面，还是要差了一点。
终于，忙碌了三个小时，又用早先定义好的元件，构建了好了一个容器下的群结构，宁为靠在椅子上长出了口气。搞科研项目是真心的累，尤其是碰到难解问题的时候。
湍流算法那边遇到瓶颈，E