এমএল ব্যবহার করে লাইব্রেরি চরিত্রায়ন এবং যাচাইকরণের চ্যালেঞ্জ মোকাবেলা করা

উন্নত প্রসেস নোডগুলিতে, লিবার্টি বা লাইব্রেরির (.lib) প্রয়োজনীয়তাগুলি ডিজাইনের জটিলতা, টাইমিং সাইনঅফের জন্য প্রয়োজনীয় কোণার সংখ্যা বৃদ্ধি এবং পরিসংখ্যানগত পরিবর্তনের মডেলিংয়ের প্রয়োজনীয়তার কারণে আরও বেশি চাহিদা রয়েছে। এর ফলে আকার, জটিলতা এবং .lib ক্যারেক্টারাইজেশনের সংখ্যা বৃদ্ধি পায়। এই জটিল এবং বৃহৎ .lib ফাইলগুলির বৈধতা এবং যাচাই করা একটি চ্যালেঞ্জিং কাজ এবং যদি .lib ত্রুটিগুলি সময়মতো শনাক্ত করা না হয় এবং ঠিক করা না হয় তবে সফল টাইমিং ক্লোজার এবং এমনকি সিলিকন ব্যর্থতার জন্য একটি উল্লেখযোগ্য হুমকি তৈরি করে৷

এই সাদা কাগজটি সিমেন্স ইডিএ সলিডো ক্যারেক্টারাইজেশন স্যুটে মেশিন লার্নিং (এমএল) কৌশলগুলির ব্যবহার বর্ণনা করে যা উন্নত প্রযুক্তি নোডগুলিতে উত্পাদনের গুণমান .lib চরিত্রায়ন এবং যাচাইকরণকে ত্বরান্বিত করে। এই ML কৌশলগুলি আধুনিক প্রযুক্তির নোডগুলির চাহিদাপূর্ণ .lib প্রয়োজনীয়তা এবং তাদের বৈধতার সাথে কিছু মৌলিক চ্যালেঞ্জের সমাধান করে।

সলিডো জেনারেটর এবং সলিডো অ্যানালিটিকসের সাথে ML-সক্ষম .lib উত্পাদন এবং যাচাইকরণ
সলিডো ক্যারেক্টারাইজেশন স্যুট লাইব্রেরি চরিত্রায়ন এবং স্ট্যান্ডার্ড সেল, মেমরি এবং কাস্টম ব্লকের যাচাইকরণকে ত্বরান্বিত করতে উত্পাদন-প্রমাণিত এমএল কৌশল ব্যবহার করে। স্যুটের দুটি প্রধান উপাদান হল সলিডো জেনারেটর এবং সলিডো অ্যানালিটিকস।

সলিডো জেনারেটর প্রাথমিক চরিত্রায়নের পরে অতিরিক্ত PVT কোণগুলির জন্য তাত্ক্ষণিকভাবে লাইব্রেরি তৈরি করে সামগ্রিক লাইব্রেরি চরিত্রায়ন প্রক্রিয়াকে ত্বরান্বিত করতে ML পদ্ধতি ব্যবহার করে। সলিডো জেনারেটর লাইব্রেরির এমএল মডেল তৈরি করতে এবং নতুন পিভিটি লাইব্রেরি তৈরি করতে অ্যাঙ্কর ডেটা হিসাবে বিদ্যমান স্পাইস-চরিত্রযুক্ত লাইব্রেরি ব্যবহার করে।

অতিরিক্ত PVT তৈরি করার আগে, Solido জেনারেটর অতিরিক্ত PVT জেনারেশনের জন্য প্রয়োজনীয় লাইব্রেরির অপ্টিমাইজ করা সেট নির্ধারণ করতে অ্যাঙ্কর কোণার সেট বিশ্লেষণ করে। যেহেতু টুলটি প্রাক-চরিত্রযুক্ত .libs-এর একটি সেট ব্যবহার করে, তাই এটি SPICE নেটলিস্ট বা সাবসার্কিটের উপর নির্ভরতা দূর করে এবং লাইব্রেরি বিক্রেতার সাথে মেলে চরিত্রায়ন সেটিংস প্রতিলিপি করার প্রয়োজন। সলিডো জেনারেটর প্রথাগত স্পাইসের চেয়ে প্রায় 100 গুণ দ্রুত চলে।

সলিডো জেনারেটরে এমএল-সক্রিয় পদ্ধতিগুলি নির্ভুলতা বজায় রেখে ব্রুট-ফোর্স মন্টে কার্লো বা আনুমানিক মন্টে কার্লো পদ্ধতির তুলনায় রানটাইমের একটি ভগ্নাংশে অতিরিক্ত পিভিটি কর্নারের জন্য উত্পাদন-নির্ভুল LVF .libs তৈরি করে ব্যবহারকারীদের "উভয় জগতের সেরা" দেয়। এর ইনপুট অ্যাঙ্কর .libs এর সমতুল্য। Solido Analytics হল একটি উন্নত লাইব্রেরি যাচাইকরণ, বিশ্লেষণ এবং ডিবাগিং সমাধান যাতে শুধুমাত্র দ্রুত, সমান্তরাল, এবং ব্যাপক স্ট্যাটিক নিয়ম-ভিত্তিক চেক অন্তর্ভুক্ত নয়, এটি একটি ML আউটলায়ার সনাক্তকরণ টুলও নিযুক্ত করে যা একটি লাইব্রেরিতে প্রত্যাশিত বৈশিষ্ট্যযুক্ত মানগুলি "শিখে" এবং স্বয়ংক্রিয়ভাবে বৈশিষ্ট্যযুক্ত ডেটাতে আউটলিয়ার বা অ-একঘেয়ে আচরণের মতো ত্রুটি সনাক্ত করে যা সাধারণত অন্যান্য সরঞ্জামগুলির সাথে সনাক্ত করা যায় না।

আরো পড়তে, ক্লিক করুন এখানে.

সূত্র: https://semiengineering.com/addressing-library-characterization-and-verification-challenges-using-ml/