Bewältigung von Herausforderungen bei der Charakterisierung und Verifizierung von Bibliotheken mithilfe von ML

Bei fortgeschrittenen Prozessknoten sind die Anforderungen an Liberty oder Bibliotheken (.lib) anspruchsvoller aufgrund von Designkomplexitäten, einer erhöhten Anzahl von Ecken, die für die zeitliche Abmeldung erforderlich sind, und der Notwendigkeit einer statistischen Variationsmodellierung. Dies führt zu einer Zunahme der Größe, Komplexität und Anzahl der .lib-Charakterisierungen. Die Validierung und Verifizierung dieser komplexen und großen .lib-Dateien ist eine herausfordernde Aufgabe und stellt eine erhebliche Bedrohung für einen erfolgreichen Timing-Closure und sogar Siliziumausfälle dar, wenn die .lib-Fehler nicht rechtzeitig erkannt und behoben werden.

Dieses Whitepaper beschreibt die Verwendung von Techniken des maschinellen Lernens (ML) in der Siemens EDA Solido Characterization Suite, die die .lib-Charakterisierung und -Verifizierung in Produktionsqualität an fortschrittlichen Technologieknoten beschleunigt. Diese ML-Techniken adressieren einige der grundlegenden Herausforderungen mit den anspruchsvollen .lib-Anforderungen moderner Technologieknoten und deren Validierung.

ML-fähige .lib-Erstellung und -Verifizierung mit Solido Generator und Solido Analytics
Die Solido Characterization Suite verwendet produktionserprobte ML-Techniken, um die Bibliothekscharakterisierung und Verifizierung von Standardzellen, Speicher und benutzerdefinierten Blöcken zu beschleunigen. Die beiden Hauptkomponenten der Suite sind Solido Generator und Solido Analytics.

Solido Generator verwendet ML-Methoden, um den gesamten Bibliothekscharakterisierungsprozess zu beschleunigen, indem nach der anfänglichen Charakterisierung sofort Bibliotheken für zusätzliche PVT-Ecken generiert werden. Solido Generator verwendet vorhandene SPICE-charakterisierte Bibliotheken als Ankerdaten, um ML-Modelle der Bibliotheken zu erstellen und neue PVT-Bibliotheken zu erstellen.

Vor dem Generieren der zusätzlichen PVTs analysiert Solido Generator den Ankereckensatz, um den optimierten Satz von Bibliotheken zu bestimmen, der für die zusätzliche PVT-Generierung benötigt wird. Da das Tool einen Satz vorcharakterisierter .libs verwendet, eliminiert es die Abhängigkeit von SPICE-Netzlisten oder Teilschaltkreisen und die Notwendigkeit, Charakterisierungseinstellungen zu replizieren, um mit denen des Bibliotheksanbieters übereinzustimmen. Solido Generator läuft etwa 100-mal schneller als herkömmliches SPICE.

Die ML-fähigen Methoden in Solido Generator bieten Benutzern das „Beste aus beiden Welten“, indem sie produktionsgenaue LVF-.libs für zusätzliche PVT-Ecken in einem Bruchteil der Laufzeit im Vergleich zu Brute-Force-Monte-Carlo- oder angenäherten Monte-Carlo-Methoden generieren, wobei die Genauigkeit beibehalten wird Äquivalent zu seinem Eingabeanker .libs. Solido Analytics ist eine fortschrittliche Bibliotheksvalidierungs-, Analyse- und Debugging-Lösung, die nicht nur schnelle, parallelisierte und umfassende statische regelbasierte Prüfungen umfasst, sondern auch ein ML-Ausreißererkennungstool verwendet, das die erwarteten charakterisierten Werte in einer Bibliothek und automatisch „lernt“. erkennt Fehler wie Ausreißer oder nicht-monotones Verhalten in den charakterisierten Daten, die mit anderen Tools normalerweise unentdeckt bleiben.

Um mehr zu lesen, klicken Sie auf hier.

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