Αντιμετώπιση προκλήσεων χαρακτηρισμού και επαλήθευσης της βιβλιοθήκης με χρήση ML

Στους κόμβους προηγμένων διεργασιών, οι απαιτήσεις Liberty ή βιβλιοθήκης (.lib) είναι πιο απαιτητικές λόγω της πολυπλοκότητας του σχεδιασμού, του αυξημένου αριθμού γωνιών που απαιτούνται για την σήμανση χρονισμού και της ανάγκης για μοντελοποίηση στατιστικών παραλλαγών. Αυτό έχει ως αποτέλεσμα την αύξηση του μεγέθους, της πολυπλοκότητας και του αριθμού των χαρακτηρισμών .lib. Η επικύρωση και η επαλήθευση αυτών των πολύπλοκων και μεγάλων αρχείων .lib είναι μια απαιτητική εργασία και αποτελεί σημαντική απειλή για το επιτυχές κλείσιμο χρονισμού, ακόμη και για αποτυχίες πυριτίου, εάν τα σφάλματα .lib δεν εντοπιστούν και διορθωθούν εγκαίρως.

Αυτή η λευκή βίβλος περιγράφει τη χρήση τεχνικών μηχανικής μάθησης (ML) στο Siemens EDA Solido Characterization Suite που επιταχύνει τον ποιοτικό χαρακτηρισμό .lib και την επαλήθευση σε κόμβους προηγμένης τεχνολογίας. Αυτές οι τεχνικές ML αντιμετωπίζουν ορισμένες από τις θεμελιώδεις προκλήσεις με τις απαιτητικές απαιτήσεις .lib των κόμβων σύγχρονης τεχνολογίας και την επικύρωσή τους.

Παραγωγή και επαλήθευση .lib με δυνατότητα ML με το Solido Generator και το Solido Analytics
Το Solido Characterization Suite χρησιμοποιεί τεχνικές ML αποδεδειγμένες στην παραγωγή για να επιταχύνει τον χαρακτηρισμό της βιβλιοθήκης και την επαλήθευση τυπικών κελιών, μνήμης και προσαρμοσμένων μπλοκ. Τα δύο κύρια στοιχεία της σουίτας είναι το Solido Generator και το Solido Analytics.

Το Solido Generator χρησιμοποιεί μεθόδους ML για να επιταχύνει τη συνολική διαδικασία χαρακτηρισμού της βιβλιοθήκης δημιουργώντας άμεσα βιβλιοθήκες για πρόσθετες γωνίες PVT μετά τον αρχικό χαρακτηρισμό. Το Solido Generator χρησιμοποιεί υπάρχουσες βιβλιοθήκες που χαρακτηρίζονται από SPICE ως δεδομένα αγκύρωσης για τη δημιουργία μοντέλων ML των βιβλιοθηκών και την παραγωγή νέων βιβλιοθηκών PVT.

Πριν από τη δημιουργία των πρόσθετων PVT, το Solido Generator αναλύει το σετ γωνίας αγκύρωσης για να προσδιορίσει το βελτιστοποιημένο σύνολο βιβλιοθηκών που απαιτούνται για πρόσθετη παραγωγή PVT. Δεδομένου ότι το εργαλείο χρησιμοποιεί ένα σύνολο προχαρακτηρισμένων .libs, εξαλείφει την εξάρτηση από λίστες δικτύου ή υποκυκλώματα SPICE και την ανάγκη αναπαραγωγής ρυθμίσεων χαρακτηρισμού ώστε να ταιριάζουν με αυτές του προμηθευτή της βιβλιοθήκης. Το Solido Generator λειτουργεί περίπου 100 φορές πιο γρήγορα από το παραδοσιακό SPICE.

Οι μέθοδοι με δυνατότητα ML στο Solido Generator προσφέρουν στους χρήστες το "καλύτερο και των δύο κόσμων" δημιουργώντας LVF .libs με ακρίβεια παραγωγής για πρόσθετες γωνίες PVT σε ένα κλάσμα του χρόνου εκτέλεσης σε σύγκριση με τις μεθόδους brute-force Monte Carlo ή κατά προσέγγιση Monte Carlo, διατηρώντας παράλληλα την ακρίβεια ισοδύναμο με την άγκυρα εισόδου του .libs. Το Solido Analytics είναι μια προηγμένη λύση επικύρωσης, ανάλυσης και εντοπισμού σφαλμάτων βιβλιοθήκης που περιλαμβάνει όχι μόνο γρήγορους, παραλληλισμένους και ολοκληρωμένους στατικούς ελέγχους βασισμένους σε κανόνες, αλλά χρησιμοποιεί επίσης ένα εργαλείο ανίχνευσης ακραίων στοιχείων ML που «μαθαίνει» τις αναμενόμενες χαρακτηρισμένες τιμές σε μια βιβλιοθήκη και αυτόματα εντοπίζει σφάλματα όπως ακραίες τιμές ή μη μονότονες συμπεριφορές στα χαρακτηρισμένα δεδομένα που συνήθως δεν εντοπίζονται με άλλα εργαλεία.

Για να διαβάσετε περισσότερα, πατήστε εδώ.

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