Решение проблем, связанных с характеристикой и проверкой библиотек, с использованием машинного обучения

На продвинутых узлах процесса требования к Liberty или библиотеке (.lib) более строгие из-за сложности конструкции, увеличения количества углов, необходимых для согласования времени, и необходимости статистического моделирования вариаций. Это приводит к увеличению размера, сложности и количества характеристик .lib. Валидация и проверка этих сложных и больших файлов .lib является сложной задачей и представляет серьезную угрозу для успешного закрытия временных рамок и даже отказов микросхем, если ошибки .lib не будут обнаружены и исправлены вовремя.

В этом техническом документе описывается использование методов машинного обучения (ML) в пакете Siemens EDA Solido Characterization Suite, который ускоряет характеризацию и проверку качества продукции .lib на передовых технологических узлах. Эти методы машинного обучения решают некоторые фундаментальные проблемы, связанные с жесткими требованиями к .lib современных технологических узлов и их проверкой.

Производство и проверка .lib с поддержкой машинного обучения с помощью Solido Generator и Solido Analytics
Solido Characterization Suite использует проверенные в производстве методы машинного обучения для ускорения характеристики библиотеки и проверки стандартных ячеек, памяти и пользовательских блоков. Двумя основными компонентами пакета являются Solido Generator и Solido Analytics.

Solido Generator использует методы машинного обучения для ускорения общего процесса характеристики библиотеки за счет мгновенного создания библиотек для дополнительных углов PVT после первоначальной характеристики. Solido Generator использует существующие библиотеки с характеристиками SPICE в качестве опорных данных для построения моделей библиотек ML и создания новых библиотек PVT.

Перед созданием дополнительных PVT Solido Generator анализирует набор углов привязки, чтобы определить оптимизированный набор библиотек, необходимых для дополнительного создания PVT. Поскольку инструмент использует набор предварительно характеризованных .lib, он устраняет зависимость от списков соединений или подсхем SPICE и необходимость копировать параметры характеризации, чтобы они соответствовали настройкам поставщика библиотеки. Solido Generator работает примерно в 100 раз быстрее, чем традиционный SPICE.

Методы с поддержкой машинного обучения в Solido Generator дают пользователям «лучшее из обоих миров», создавая точные LVF-библиотеки для дополнительных углов PVT за долю времени выполнения по сравнению с методами Монте-Карло методом грубой силы или аппроксимированными методами Монте-Карло, сохраняя при этом точность. эквивалентен входному якорю .libs. Solido Analytics — это расширенное решение для проверки, анализа и отладки библиотек, которое включает не только быстрые, параллельные и комплексные статические проверки на основе правил, но также использует инструмент обнаружения выбросов машинного обучения, который «изучает» ожидаемые характеристические значения в библиотеке и автоматически обнаруживает такие ошибки, как выбросы или немонотонное поведение в охарактеризованных данных, которые обычно остаются незамеченными с помощью других инструментов.

Чтобы узнать больше, нажмите здесь.

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