پرداختن به چالش‌های شناسایی و تأیید کتابخانه با استفاده از ML

در گره‌های فرآیند پیشرفته، نیازمندی‌های Liberty یا کتابخانه (.lib) به دلیل پیچیدگی‌های طراحی، افزایش تعداد گوشه‌های مورد نیاز برای علامت‌گذاری زمان‌بندی، و نیاز به مدل‌سازی تغییرات آماری، نیازمندتر هستند. این منجر به افزایش اندازه، پیچیدگی و تعداد خصوصیات .lib می شود. اعتبار سنجی و تأیید این فایل‌های .lib پیچیده و بزرگ یک کار چالش برانگیز است و در صورت عدم شناسایی و رفع خطاهای .lib به موقع، خطر بسته شدن موفقیت‌آمیز زمان‌بندی و حتی خرابی‌های سیلیکونی را به همراه دارد.

این مقاله سفید استفاده از تکنیک‌های یادگیری ماشین (ML) را در مجموعه خصوصیات زیمنس EDA Solido توصیف می‌کند که ویژگی‌های .lib و تأیید کیفیت تولید را در گره‌های فناوری پیشرفته تسریع می‌کند. این تکنیک‌های ML برخی از چالش‌های اساسی را با الزامات .lib خواستار گره‌های فناوری مدرن و اعتبارسنجی آنها برطرف می‌کنند.

تولید و تأیید .lib با قابلیت ML با Solido Generator و Solido Analytics
مجموعه ویژگی‌های Solido از تکنیک‌های اثبات‌شده ML برای تسریع شناسایی کتابخانه و تأیید سلول‌های استاندارد، حافظه و بلوک‌های سفارشی استفاده می‌کند. دو جزء اصلی مجموعه عبارتند از Solido Generator و Solido Analytics.

Solido Generator از روش‌های ML برای تسریع فرآیند کلی خصوصی‌سازی کتابخانه با تولید فوری کتابخانه‌هایی برای گوشه‌های PVT اضافی پس از مشخص‌سازی اولیه استفاده می‌کند. Solido Generator از کتابخانه های موجود با مشخصه SPICE به عنوان داده های لنگر برای ساخت مدل های ML کتابخانه ها و تولید کتابخانه های PVT جدید استفاده می کند.

قبل از تولید PVT های اضافی، Solido Generator مجموعه گوشه لنگر را تجزیه و تحلیل می کند تا مجموعه بهینه کتابخانه های مورد نیاز برای تولید PVT اضافی را تعیین کند. از آنجایی که این ابزار از مجموعه‌ای از .libs از پیش مشخص‌شده استفاده می‌کند، وابستگی به فهرست‌های شبکه یا مدارهای فرعی SPICE و نیاز به تکرار تنظیمات خصوصیات برای مطابقت با فروشنده کتابخانه را از بین می‌برد. Solido Generator حدود 100 برابر سریعتر از SPICE سنتی کار می کند.

روش‌های فعال‌شده با ML در Solido Generator با ایجاد LVF.libs با دقت تولید برای گوشه‌های PVT اضافی در کسری از زمان اجرا، در مقایسه با روش‌های مونت کارلو با نیروی brute-force یا مونت کارلو تقریبی، «بهترین هر دو جهان» را به کاربران ارائه می‌دهند، در حالی که دقت را حفظ می‌کنند. معادل لنگر ورودی آن .libs. Solido Analytics یک راه حل پیشرفته اعتبار سنجی، تجزیه و تحلیل و اشکال زدایی کتابخانه است که نه تنها شامل بررسی های سریع، موازی و جامع مبتنی بر قوانین استاتیک است، بلکه از یک ابزار تشخیص بیرونی ML نیز استفاده می کند که مقادیر مشخص شده مورد انتظار را در یک کتابخانه و به طور خودکار «یاد می گیرد» خطاهایی مانند رفتارهای پرت یا غیر یکنواخت را در داده های مشخص شده که معمولاً با ابزارهای دیگر شناسایی نمی شوند، شناسایی می کند.

برای مطالعه بیشتر ، کلیک کنید اینجا کلیک نمایید.

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