Uitdagingen voor bibliotheekkarakterisering en verificatie aanpakken met ML

Bij geavanceerde procesknooppunten zijn Liberty- of bibliotheekvereisten (.lib) veeleisender vanwege ontwerpcomplexiteiten, een groter aantal hoeken dat nodig is voor timingsignoff en de behoefte aan statistische variatiemodellering. Dit resulteert in een toename in omvang, complexiteit en het aantal .lib-karakteriseringen. Validatie en verificatie van deze complexe en grote .lib-bestanden is een uitdagende taak en vormt een aanzienlijke bedreiging voor een succesvolle timingsluiting en zelfs siliciumfouten als de .lib-fouten niet op tijd worden gedetecteerd en verholpen.

Deze whitepaper beschrijft het gebruik van machine learning (ML)-technieken in de Siemens EDA Solido Characterization Suite die .lib-karakterisering en -verificatie van productiekwaliteit op geavanceerde technologieknooppunten versnelt. Deze ML-technieken pakken enkele van de fundamentele uitdagingen aan met de veeleisende .lib-vereisten van moderne technologieknooppunten en hun validatie.

ML-enabled .lib productie en verificatie met Solido Generator en Solido Analytics
De Solido Characterization Suite maakt gebruik van in de productie bewezen ML-technieken om bibliotheekkarakterisering en verificatie van standaardcellen, geheugen en aangepaste blokken te versnellen. De twee hoofdcomponenten van de suite zijn Solido Generator en Solido Analytics.

Solido Generator gebruikt ML-methoden om het algehele bibliotheekkarakteriseringsproces te versnellen door direct bibliotheken te genereren voor extra PVT-hoeken na de initiële karakterisering. Solido Generator gebruikt bestaande SPICE-gekarakteriseerde bibliotheken als ankergegevens om ML-modellen van de bibliotheken te bouwen en nieuwe PVT-bibliotheken te produceren.

Voordat de aanvullende PVT's worden gegenereerd, analyseert Solido Generator de ankerhoekenset om de geoptimaliseerde set bibliotheken te bepalen die nodig zijn voor het genereren van extra PVT's. Omdat de tool een set vooraf gekarakteriseerde .libs gebruikt, elimineert het de afhankelijkheid van SPICE-netlijsten of subcircuits en de noodzaak om karakteriseringsinstellingen te repliceren om overeen te komen met die van de bibliotheekleverancier. Solido Generator werkt ongeveer 100 keer sneller dan traditionele SPICE.

De ML-enabled methoden in Solido Generator bieden gebruikers het "beste van twee werelden" door productie-nauwkeurige LVF .libs te genereren voor extra PVT-hoeken in een fractie van de runtime in vergelijking met brute-force Monte Carlo of benaderde Monte Carlo methoden, met behoud van nauwkeurigheid gelijk aan het invoeranker .libs. Solido Analytics is een geavanceerde bibliotheekvalidatie-, analyse- en foutopsporingsoplossing die niet alleen snelle, parallelle en uitgebreide statische, op regels gebaseerde controles omvat, maar ook een ML-uitbijterdetectietool gebruikt die de verwachte gekarakteriseerde waarden in een bibliotheek "leert" en automatisch detecteert fouten zoals uitschieters of niet-monotoon gedrag in de gekarakteriseerde gegevens die doorgaans onopgemerkt blijven met andere tools.

Klik voor meer informatie hier.

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