טיפול באתגרי אפיון ואימות ספרייה באמצעות ML

צומת המקור: 1599584

בצמתי תהליכים מתקדמים, דרישות Liberty או ספרייה (.lib) תובעניות יותר עקב מורכבות התכנון, מספר גדל של פינות הנדרשות לתזמון חתימה והצורך במודלים סטטיסטיים של וריאציות. הדבר מביא לעלייה בגודל, במורכבות ובמספר המאפיינים של lib. אימות ואימות של קבצי ה-.lib המורכבים והגדולים הללו היא משימה מאתגרת ומהווה איום משמעותי לסגירת תזמון מוצלחת ואף כשלי סיליקון אם שגיאות ה-.lib לא מתגלות ומתוקנות בזמן.

נייר לבן זה מתאר את השימוש בטכניקות למידת מכונה (ML) ב-Siemens EDA Solido Characterization Suite שמאיצה את האפיון והאימות של איכות הייצור .lib בצמתי טכנולוגיה מתקדמת. טכניקות ML אלו עונות על כמה מהאתגרים הבסיסיים עם דרישות ה-.lib התובעניות של צמתי טכנולוגיה מודרניים ואימותם.

ייצור ואימות התומך ב-ML עם Solido Generator ו-Solido Analytics
Solido Characterization Suite משתמש בטכניקות ML מוכחות בייצור כדי להאיץ את אפיון הספרייה והאימות של תאים סטנדרטיים, זיכרון ובלוקים מותאמים אישית. שני המרכיבים העיקריים של החבילה הם Solido Generator ו- Solido Analytics.

Solido Generator משתמש בשיטות ML כדי להאיץ את תהליך אפיון הספרייה הכולל על ידי יצירה מיידית של ספריות לפינות PVT נוספות לאחר האפיון הראשוני. Solido Generator משתמש בספריות קיימות עם אפיון SPICE כנתוני עוגן כדי לבנות מודלים של ML של הספריות ולייצר ספריות PVT חדשות.

לפני יצירת ה-PVTs הנוספים, Solido Generator מנתח את סט פינות העוגן כדי לקבוע את קבוצת הספריות האופטימלית הדרושה לייצור PVT נוסף. מכיוון שהכלי משתמש בקבוצה של libs מאופיינים מראש, הוא מבטל את התלות ברשימות או במעגלי המשנה של SPICE ואת הצורך לשכפל הגדרות אפיון כך שיתאימו לזו של ספק הספרייה. Solido Generator פועל בערך פי 100 מהר יותר מאשר SPICE המסורתי.

השיטות התומכות ב-ML ב-Solido Generator נותנות למשתמשים את "הטוב משני העולמות" על ידי יצירת LVF .libs מדויקים לייצור עבור פינות PVT נוספות בשבריר מזמן הריצה בהשוואה לשיטות מונטה קרלו בכוח גס או מונטה קרלו משוערות, תוך שמירה על דיוק שווה ערך לעוגן הקלט שלו .libs. Solido Analytics הוא פתרון אימות, ניתוח ואיתור באגים מתקדם של ספרייה הכולל לא רק בדיקות מהירות, מקבילות ומקיפות מבוססות כללים סטטיים, אלא גם משתמש בכלי זיהוי חריגים של ML ש"לומד" את הערכים המאופיינים הצפויים בספרייה ובאופן אוטומטי. מזהה שגיאות כמו חריגים או התנהגויות לא מונוטוניות בנתונים המאופיינים שבדרך כלל אינם מזוהים עם כלים אחרים.

לקריאה נוספת לחץ כאן.

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

בול זמן:

עוד מ הנדסת מוליכים למחצה