SPIE 2023 Buzz – Siemens Aims To Break Down Innovation Barriers By Extending Design Technology Co-Optimization - Semiwiki

بازنشر افلاطون

دنبال: 0

SPIE 2023 Buzz – زیمنس قصد دارد موانع نوآوری را با گسترش بهینه‌سازی شرکت فناوری طراحی از بین ببرد.

جلوگیری از انتشار عیوب سیستماتیک در فرآیند طراحی تا ساخت نیمه هادی امروزی نیازمند اعتبارسنجی، تحلیل و مراحل بهینه سازی بسیاری است. ابزارهای درگیر در این فرآیند می‌توانند شامل بررسی قوانین طراحی (DRC)، تأیید تصحیح مجاورت نوری (OPC)، نوشتن ماسک و اندازه‌گیری/بازرسی چاپ ویفر (برای سنجش فرآیند)، اندازه‌شناسی/بازرسی چاپ ویفر، و تجزیه و تحلیل شکست فیزیکی برای تأیید شکست باشد. تشخیص. تبادل اطلاعات و بهینه سازی مشترک بین این مراحل فرآیند پیچیده ای است که دارای حلقه های بازخورد و بازخورد زیادی است. ارتباطات اغلب توسط "دیوار" بین بخش های مختلف فناوری فرآیند مختل می شود و نوآوری را کند می کند. در کنفرانس اخیر SPIE، زیمنس EDA یک سخنرانی کلیدی ارائه کرد که در آن مجموعه ای از رویکردها برای شکستن این دیوارها برای بهبود طراحی تراشه تا فرآیند تولید پیشنهاد شد. ببینید چگونه زیمنس قصد دارد موانع نوآوری را با گسترش بهینه‌سازی مشترک فناوری طراحی از بین ببرد.

درباره Keynote

SPIE جامعه بین المللی اپتیک و فوتونیک است. قدمت این سازمان به سال 1955 برمی گردد و کنفرانس آن به یک رویداد برتر برای موضوعات طراحی و ساخت پیشرفته تبدیل شده است. در رویداد امسال، زیمنس سخنرانی اصلی را که موضوع این پست است ارائه کرد. مشارکت کنندگان زیادی در ارائه حضور داشتند، از جمله Le Hong، Fan Jiang، Yuansheng Ma، Srividya Jayaram، Joe Kwan، Siemens EDA (ایالات متحده). Doohwan Kwak، زیمنس EDA (جمهوری کره)؛ Sankaranarayanan Paninjath Ayyappan، زیمنس EDA (هند). عنوان صحبت این بود گسترش بهینه سازی فناوری طراحی از راه اندازی فناوری تا HVM.

این سخنرانی بخشی از جلسه ای در مورد بهینه سازی مشترک فناوری طراحی (DTCO) بود. این مفهوم جدید نیست، اما زیمنس به کاربرد آن در محدوده وسیع تری از فرآیند، از طراحی گرفته تا تولید با حجم بالا (HVM) نگاه کرده است. ایده ها و نتایج ارائه شده پیامدهای مهمی دارند. بیایید نگاه دقیق تری بیندازیم.

آنچه ارائه شد

ابتدا، نگاهی به وضعیت فعلی استفاده از DTCO در بخش‌های کلیدی اکوسیستم ارائه شد. از منظر طراحی، بسیاری از شرکت‌های پیشرفته بدون فابل یک تیم DFM دارند که محدودیت‌های رویکرد مبتنی بر الگو را می‌بیند. آنچه واقعاً مورد نیاز است فن آوری جدید برای تسهیل یادگیری عملکرد بدون وابستگی به ریخته گری است.

ریخته‌گری‌ها از روش‌های یادگیری ماشینی مبتنی بر الگوی brute-force استفاده می‌کنند که پرهزینه هستند اما کاملاً مؤثر نیستند. آنها همچنین به دنبال اطلاعات کاوی کارآمد از داده های عظیم تولیدی هستند که ایجاد می کنند. فروشندگان تجهیزات و فروشندگان EDA بیشتر با هم کار می کنند و راه حل های یادگیری ماشینی کارآمدتری ارائه می دهند.

با کمی عقب نشینی، اشاره شد که دیوارهایی بین مراحل طراحی و ساخت فرآیند وجود دارد. شرکت های Fabless طرح را ایجاد می کنند، DRC را انجام می دهند و برای تولید (DFM) طراحی می کنند، سپس آن را روی دیوار به تیم OPC/RET در ریخته گری یا IDM می اندازند. طراحی وظایفی مانند OPC و تأیید را انجام می‌دهد و سپس داده‌ها برای نوشتن ماسک و اندازه‌شناسی/بازرسی روی دیوار دیگری پرتاب می‌شوند. دیوار نهایی برای ساخت است. در اینجا تست الکتریکی و تحلیل خرابی انجام خواهد شد. تا زمانی که علت اصلی شکست پیدا شود، 6-18 ماه می گذرد. این یک حلقه بازخورد بسیار طولانی است. گرافیک بالای این پست این روند را به تصویر می کشد.

DTCO تلاش می کند تا دیوارها را بشکند، اما روش های موجود ناقص هستند. DTCO سنتی خیلی زود در توسعه فرآیند شروع می شود. با شروع یک نیاز مقیاس‌بندی، یک سلول استاندارد تعریف می‌شود، و سنتز، مکان و مسیر انجام می‌شود تا به الگوهای اولیه و اندازه‌گیری عملکرد و قدرت برسد. بازده SRAM نیز انجام می شود و داده ها به طراحی سلول استاندارد باز می گردند.

آنچه در سخنرانی اصلی SPIE ارائه شد راهی برای گسترش این مفهوم بهینه سازی مشترک به کل فرآیند از طراحی تا ساخت بود. این رویکرد شامل امکان جریان آسان تر اطلاعات از طراحی تا فرآیند نهایی و تجزیه و تحلیل فیزیکی با ایجاد یک کانال اطلاعاتی است.

در حالی که این به نظر واضح می رسد، اینطور نیست. بسیاری از چالش ها با رویکردهای مشخص برای کاهش مسائل مورد بحث قرار گرفت. به عنوان مثال، طرح‌های اولیه را می‌توان با ژنراتورهای مصنوعی طرح‌بندی ایجاد کرد تا به کالیبره کردن فرآیند با مسائل طراحی واقعی با توسعه فرآیند کمک کند. این می تواند بسیاری از شگفتی هایی را که در حال حاضر با استفاده از tapeout های فرآیند اولیه مواجه شده اند، کاهش دهد.

مقابله با حجم عظیم داده چالش دیگری است. با استفاده از تکنیک های فشرده سازی پیچیده جدید، بهبود 30 برابری امکان پذیر است. این کار پردازش و تجزیه و تحلیل داده ها را تا حدودی بهبود می بخشد. مفهومی به نام هوش مصنوعی قابل توضیح می تواند به یافتن علل ریشه ای مشکلات بسیار سریعتر کمک کند. توانایی آموزش مجدد مدل‌های هوش مصنوعی در مراحل بعدی فرآیند تولید بدون بی‌اعتبار کردن نتایج قبلی، زمینه دیگری برای بهبود است. همچنین در حوزه تجزیه و تحلیل داده ها، تکنیک هایی برای مقابله با "داده های نامتعادل" وجود دارد. برای مثال، ممکن است یک نقطه داغ در 100,000,000 الگو وجود داشته باشد.

همانطور که در شکل زیر نشان داده شده است، کنار هم قرار دادن همه اینها می تواند جریان طراحی سرتاسر کارآمدتری ایجاد کند.

برای کسب اطلاعات بیشتر

تأثیر رویکردهای ذکر شده در این ارائه اصلی قابل توجه است. تو می توانی ارائه را مشاهده کنید و به یک مقاله سفید در مورد فرآیند در اینجا دسترسی پیدا کنید. اطلاعات مفید زیادی برای به دست آوردن وجود دارد. و این گونه است که زیمنس قصد دارد موانع نوآوری را با گسترش بهینه‌سازی مشترک فناوری طراحی از بین ببرد.

اشتراک گذاری این پست از طریق: