På avanserte prosessnoder er Liberty- eller bibliotekkravene (.lib) mer krevende på grunn av designkompleksitet, økt antall hjørner som kreves for timing av signoff, og behovet for statistisk variasjonsmodellering. Dette resulterer i en økning i størrelse, kompleksitet og antall .lib-karakteriseringer. Validering og verifisering av disse komplekse og store .lib-filene er en utfordrende oppgave og utgjør en betydelig trussel mot vellykket timing-stenging og til og med silisiumfeil hvis .lib-feilene ikke oppdages og fikses i tide.
Denne hvitboken beskriver bruken av maskinlæringsteknikker (ML) i Siemens EDA Solido Characterization Suite som akselererer produksjonskvalitet .lib karakterisering og verifisering ved avanserte teknologinoder. Disse ML-teknikkene løser noen av de grunnleggende utfordringene med de krevende .lib-kravene til moderne teknologinoder og deres validering.
ML-aktivert .lib-produksjon og verifisering med Solido Generator og Solido Analytics
Solido Characterization Suite bruker produksjonsbeprøvde ML-teknikker for å akselerere bibliotekkarakterisering og verifisering av standardceller, minne og tilpassede blokker. De to hovedkomponentene i suiten er Solido Generator og Solido Analytics.
Solido Generator bruker ML-metoder for å akselerere den generelle bibliotekkarakteriseringsprosessen ved å umiddelbart generere biblioteker for ytterligere PVT-hjørner etter den første karakteriseringen. Solido Generator bruker eksisterende SPICE-karakteriserte biblioteker som ankerdata for å bygge ML-modeller av bibliotekene og produsere nye PVT-biblioteker.
Før generering av de ekstra PVT-ene, analyserer Solido Generator ankerhjørnesettet for å bestemme det optimaliserte settet med biblioteker som trengs for ytterligere PVT-generering. Siden verktøyet bruker et sett med pre-karakteriserte .libs, eliminerer det avhengigheten av SPICE nettlister eller underkretser og behovet for å replikere karakteriseringsinnstillinger for å matche bibliotekleverandøren. Solido Generator går omtrent 100 ganger raskere enn tradisjonell SPICE.
De ML-aktiverte metodene i Solido Generator gir brukerne det "beste fra begge verdener" ved å generere produksjonsnøyaktige LVF .libs for ytterligere PVT-hjørner på en brøkdel av kjøretid sammenlignet med brute-force Monte Carlo- eller tilnærmede Monte Carlo-metoder, samtidig som nøyaktigheten beholdes tilsvarende inndataankeret .libs. Solido Analytics er en avansert bibliotekvaliderings-, analyse- og feilsøkingsløsning som ikke bare inkluderer raske, parallelliserte og omfattende statiske regelbaserte kontroller, men som også bruker et ML-outlier-deteksjonsverktøy som "lærer" de forventede karakteriserte verdiene i et bibliotek og automatisk oppdager feil som uteliggere eller ikke-monotonisk atferd i de karakteriserte dataene som vanligvis ikke blir oppdaget med andre verktøy.
Klikk på for å lese mer her..
- 100
- Om oss
- akselerere
- Ytterligere
- adresse
- avansert
- Avansert teknologi
- analyse
- analytics
- bygge
- utfordringer
- Sjekker
- nedleggelse
- komplekse
- kompleksiteten
- dato
- utforming
- Gjenkjenning
- forventet
- FAST
- raskere
- HTTPS
- Øke
- økt
- IT
- stor
- læring
- Liberty
- Bibliotek
- maskinlæring
- Match
- ML
- modellering
- modeller
- mer
- nødvendig
- noder
- Annen
- Papir
- prosess
- Produksjon
- kvalitet
- Krav
- Resultater
- sett
- Siemens
- signifikant
- Størrelse
- vellykket
- teknikker
- Teknologi
- tid
- verktøy
- verktøy
- tradisjonelle
- Brukere
- Verifisering
- hvitt papir