Rozwiązywanie problemów związanych z charakteryzacją i weryfikacją bibliotek za pomocą uczenia maszynowego

W węzłach zaawansowanego procesu wymagania Liberty lub biblioteki (.lib) są bardziej wymagające ze względu na złożoność projektu, zwiększoną liczbę narożników wymaganych do zatwierdzenia czasu oraz potrzebę modelowania zmienności statystycznej. Powoduje to wzrost rozmiaru, złożoności i liczby charakteryzacji .lib. Walidacja i weryfikacja tych złożonych i dużych plików .lib jest trudnym zadaniem i stwarza poważne zagrożenie dla pomyślnego zamknięcia synchronizacji, a nawet awarii krzemu, jeśli błędy .lib nie zostaną wykryte i naprawione na czas.

W tym opracowaniu technicznym opisano zastosowanie technik uczenia maszynowego (ML) w oprogramowaniu Siemens EDA Solido Characterization Suite, które przyspiesza charakteryzację i weryfikację jakości produkcji w plikach .lib w zaawansowanych węzłach technologicznych. Te techniki ML rozwiązują niektóre z podstawowych wyzwań związanych z wymagającymi wymaganiami .lib nowoczesnych węzłów technologicznych i ich walidacją.

Produkcja i weryfikacja .lib z obsługą ML za pomocą Solido Generator i Solido Analytics
Pakiet Solido Characterization Suite wykorzystuje sprawdzone w produkcji techniki uczenia maszynowego w celu przyspieszenia charakteryzacji bibliotek i weryfikacji standardowych komórek, pamięci i niestandardowych bloków. Dwa główne komponenty pakietu to Solido Generator i Solido Analytics.

Solido Generator wykorzystuje metody ML do przyspieszenia całego procesu charakteryzacji biblioteki poprzez natychmiastowe generowanie bibliotek dla dodatkowych narożników PVT po wstępnej charakteryzacji. Generator Solido wykorzystuje istniejące biblioteki scharakteryzowane przez SPICE jako dane kotwiczące do budowania modeli ML bibliotek i tworzenia nowych bibliotek PVT.

Przed wygenerowaniem dodatkowych PVT, Solido Generator analizuje zestaw narożników kotwicy, aby określić zoptymalizowany zestaw bibliotek potrzebnych do dodatkowego wygenerowania PVT. Ponieważ narzędzie wykorzystuje zestaw wstępnie scharakteryzowanych bibliotek .lib, eliminuje zależność od list sieci SPICE lub podukładów oraz potrzebę replikowania ustawień charakteryzacji w celu dopasowania ich do dostawcy biblioteki. Generator Solido działa około 100 razy szybciej niż tradycyjny SPICE.

Metody obsługujące ML w Solido Generator zapewniają użytkownikom „to, co najlepsze z obu światów”, generując dokładne produkcyjnie pliki LVF .lib dla dodatkowych narożników PVT w ułamku czasu działania w porównaniu z brutalną metodą Monte Carlo lub przybliżonymi metodami Monte Carlo, przy jednoczesnym zachowaniu dokładności odpowiednik jego kotwicy wejściowej .libs. Solido Analytics to zaawansowane rozwiązanie do walidacji, analizy i debugowania bibliotek, które obejmuje nie tylko szybkie, równoległe i kompleksowe kontrole statyczne oparte na regułach, ale także wykorzystuje narzędzie do wykrywania wartości odstających ML, które „uczy się” oczekiwanych scharakteryzowanych wartości w bibliotece i automatycznie wykrywa błędy, takie jak wartości odstające lub niemonotoniczne zachowania w scharakteryzowanych danych, które zwykle pozostają niewykryte za pomocą innych narzędzi.

Aby przeczytać więcej, kliknij tutaj.

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