Håndtering af bibliotekskarakterisering og -verifikationsudfordringer ved hjælp af ML

På avancerede procesknudepunkter er Liberty- eller bibliotekskravene (.lib) mere krævende på grund af designkompleksiteter, øget antal hjørner, der kræves til timing af signoff, og behovet for statistisk variationsmodellering. Dette resulterer i en stigning i størrelse, kompleksitet og antallet af .lib-karakteriseringer. Validering og verifikation af disse komplekse og store .lib-filer er en udfordrende opgave og udgør en betydelig trussel mod vellykket timinglukning og endda siliciumfejl, hvis .lib-fejlene ikke opdages og rettes i tide.

Denne hvidbog beskriver brugen af ​​maskinlæringsteknikker (ML) i Siemens EDA Solido Characterization Suite, der accelererer produktionskvalitet .lib karakterisering og verifikation ved avanceret teknologi noder. Disse ML-teknikker løser nogle af de grundlæggende udfordringer med de krævende .lib-krav til moderne teknologiknuder og deres validering.

ML-aktiveret .lib produktion og verifikation med Solido Generator og Solido Analytics
Solido Characterization Suite bruger produktionsbeviste ML-teknikker til at accelerere bibliotekskarakterisering og verifikation af standardceller, hukommelse og brugerdefinerede blokke. De to hovedkomponenter i suiten er Solido Generator og Solido Analytics.

Solido Generator bruger ML-metoder til at accelerere den overordnede bibliotekskarakteriseringsproces ved øjeblikkeligt at generere biblioteker til yderligere PVT-hjørner efter den indledende karakterisering. Solido Generator bruger eksisterende SPICE-karakteriserede biblioteker som ankerdata til at bygge ML-modeller af bibliotekerne og producere nye PVT-biblioteker.

Før generering af de yderligere PVT'er analyserer Solido Generator ankerhjørnesættet for at bestemme det optimerede sæt af biblioteker, der er nødvendige for yderligere PVT-generering. Da værktøjet bruger et sæt præ-karakteriserede .libs, eliminerer det afhængigheden af ​​SPICE-netlister eller underkredsløb og behovet for at replikere karakteriseringsindstillinger for at matche biblioteksleverandørens. Solido Generator kører omkring 100 gange hurtigere end traditionel SPICE.

De ML-aktiverede metoder i Solido Generator giver brugerne det "bedste fra begge verdener" ved at generere produktionsnøjagtige LVF .libs til yderligere PVT-hjørner på en brøkdel af runtime sammenlignet med brute-force Monte Carlo- eller tilnærmede Monte Carlo-metoder, samtidig med at nøjagtigheden bevares svarende til dets inputanker .libs. Solido Analytics er en avanceret biblioteksvaliderings-, analyse- og fejlfindingsløsning, der ikke kun inkluderer hurtige, paralleliserede og omfattende statiske regelbaserede kontroller, men også anvender et ML-outlier-detektionsværktøj, der "lærer" de forventede karakteriserede værdier i et bibliotek og automatisk registrerer fejl som outliers eller ikke-monotonisk adfærd i de karakteriserede data, der typisk forbliver uopdaget med andre værktøjer.

Klik på for at læse mere link..

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