Mengatasi Karakterisasi Perpustakaan Dan Tantangan Verifikasi Menggunakan ML

Pada node proses lanjutan, persyaratan Liberty atau perpustakaan (.lib) lebih menuntut karena kompleksitas desain, peningkatan jumlah sudut yang diperlukan untuk penghentian waktu, dan kebutuhan untuk pemodelan variasi statistik. Hal ini menghasilkan peningkatan ukuran, kompleksitas, dan jumlah karakterisasi .lib. Validasi dan verifikasi file .lib yang kompleks dan besar ini merupakan tugas yang menantang dan menimbulkan ancaman signifikan terhadap keberhasilan penutupan waktu dan bahkan kegagalan silikon jika kesalahan .lib tidak terdeteksi dan diperbaiki tepat waktu.

Buku putih ini menjelaskan penggunaan teknik pembelajaran mesin (ML) di Siemens EDA Solido Characterization Suite yang mempercepat karakterisasi dan verifikasi .lib kualitas produksi pada node teknologi canggih. Teknik ML ini mengatasi beberapa tantangan mendasar dengan tuntutan persyaratan .lib pada node teknologi modern dan validasinya.

Produksi dan verifikasi .lib berkemampuan ML dengan Solido Generator dan Solido Analytics
Solido Characterization Suite menggunakan teknik ML yang telah terbukti dalam produksi untuk mempercepat karakterisasi perpustakaan dan verifikasi sel standar, memori, dan blok khusus. Dua komponen utama suite ini adalah Solido Generator dan Solido Analytics.

Solido Generator menggunakan metode ML untuk mempercepat proses karakterisasi perpustakaan secara keseluruhan dengan langsung menghasilkan perpustakaan untuk sudut PVT tambahan setelah karakterisasi awal. Solido Generator menggunakan perpustakaan berkarakter SPICE yang ada sebagai data jangkar untuk membangun model perpustakaan ML dan menghasilkan perpustakaan PVT baru.

Sebelum menghasilkan PVT tambahan, Solido Generator menganalisis kumpulan sudut jangkar untuk menentukan kumpulan perpustakaan optimal yang diperlukan untuk pembangkitan PVT tambahan. Karena alat ini menggunakan sekumpulan .lib yang telah dikarakterisasi sebelumnya, alat ini menghilangkan ketergantungan pada netlist atau subsirkuit SPICE dan kebutuhan untuk mereplikasi pengaturan karakterisasi agar sesuai dengan vendor perpustakaan. Solido Generator bekerja sekitar 100 kali lebih cepat dari SPICE tradisional.

Metode yang mendukung ML di Solido Generator memberi pengguna “yang terbaik dari kedua dunia” dengan menghasilkan .lib LVF yang akurat dalam produksi untuk sudut PVT tambahan dalam waktu proses yang lebih singkat dibandingkan dengan brute force Monte Carlo atau metode perkiraan Monte Carlo, dengan tetap mempertahankan akurasi setara dengan jangkar masukannya .libs. Solido Analytics adalah solusi validasi, analisis, dan debugging perpustakaan tingkat lanjut yang mencakup tidak hanya pemeriksaan berbasis aturan statis yang cepat, paralel, dan komprehensif, namun juga menggunakan alat deteksi outlier ML yang “mempelajari” nilai-nilai karakteristik yang diharapkan dalam perpustakaan dan secara otomatis mendeteksi kesalahan seperti outlier atau perilaku non-monotonik dalam data yang dikarakterisasi yang biasanya tidak terdeteksi dengan alat lain.

Untuk membaca lebih lanjut, klik di sini.

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