A könyvtárak jellemzésével és ellenőrzésével kapcsolatos kihívások kezelése ML használatával

A fejlett folyamatcsomópontokon a Liberty vagy a library (.lib) követelményei szigorúbbak a tervezés bonyolultsága, az időzítéshez szükséges sarkok megnövekedett száma és a statisztikai variációs modellezés szükségessége miatt. Ez a méret, a bonyolultság és a .lib karakterizálások számának növekedését eredményezi. Ezeknek az összetett és nagyméretű .lib fájlok érvényesítése és ellenőrzése kihívást jelentő feladat, és jelentős veszélyt jelent a sikeres időzítésre, sőt a szilícium hibákra is, ha a .lib hibákat nem észlelik és nem javítják ki időben.

Ez a tanulmány a gépi tanulási (ML) technikák használatát írja le a Siemens EDA Solido Characterization Suite-ban, amely felgyorsítja a gyártásminőségű .lib jellemzést és ellenőrzést a fejlett technológiai csomópontokon. Ezek az ML technikák néhány alapvető kihívást kezelnek a modern technológiai csomópontok szigorú .lib követelményeivel és azok érvényesítésével.

ML-kompatibilis .lib gyártás és ellenőrzés a Solido Generator és a Solido Analytics segítségével
A Solido Characterization Suite gyártásban bevált ML technikákat használ a könyvtár jellemzésének és a szabványos cellák, memória és egyedi blokkok ellenőrzésének felgyorsítására. A programcsomag két fő összetevője a Solido Generator és a Solido Analytics.

A Solido Generator ML módszereket használ a teljes könyvtár jellemzési folyamatának felgyorsítására azáltal, hogy a kezdeti jellemzés után azonnal létrehoz egy könyvtárat a további PVT-sarkok számára. A Solido Generator meglévő SPICE-jellemző könyvtárakat használ horgonyadatokként a könyvtárak ML-modelljeinek felépítéséhez és új PVT-könyvtárak létrehozásához.

A további PVT-k generálása előtt a Solido Generator elemzi a horgony sarokkészletet, hogy meghatározza a további PVT-generáláshoz szükséges optimalizált könyvtárkészletet. Mivel az eszköz egy előre karakterizált .lib-készletet használ, kiküszöböli a SPICE hálózati listáktól vagy aláramköröktől való függőséget, és megszünteti a karakterizálási beállítások replikálásának szükségességét, hogy azok megfeleljenek a könyvtár gyártójának. A Solido Generator körülbelül 100-szor gyorsabban fut, mint a hagyományos SPICE.

A Solido Generator ML-kompatibilis metódusai a „mindkét világ legjobbjait” nyújtják a felhasználóknak azáltal, hogy gyártási pontosságú LVF .lib-eket generálnak további PVT-sarkokhoz a futási idő töredéke alatt a brute-force Monte Carlo vagy a közelítő Monte Carlo módszerekkel összehasonlítva, miközben megtartják a pontosságot megfelel a bemeneti horgonyának .libs. A Solido Analytics egy fejlett könyvtárérvényesítési, -elemzési és -hibakereső megoldás, amely nemcsak gyors, párhuzamos és átfogó statikus, szabályalapú ellenőrzéseket tartalmaz, hanem egy ML kiugró érzékelő eszközt is alkalmaz, amely „megtanulja” a várható karakterizált értékeket a könyvtárban és automatikusan. olyan hibákat észlel, mint a kiugró értékek vagy a nem monoton viselkedés a jellemzett adatokban, amelyeket más eszközökkel általában nem észlelnek.

További információért kattintson a gombra itt.

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