Obravnavanje izzivov karakterizacije in preverjanja knjižnic z uporabo ML

Pri naprednih procesnih vozliščih so zahteve Liberty ali knjižnice (.lib) zahtevnejše zaradi zapletenosti načrtovanja, povečanega števila vogalov, potrebnih za časovno podpisovanje, in potrebe po statističnem modeliranju variacij. Posledica tega je povečanje velikosti, kompleksnosti in števila karakterizacij .lib. Validacija in preverjanje teh zapletenih in velikih datotek .lib je zahtevna naloga in predstavlja veliko grožnjo za uspešno časovno zapiranje in celo okvare silicija, če napake .lib niso zaznane in odpravljene pravočasno.

Ta bela knjiga opisuje uporabo tehnik strojnega učenja (ML) v Siemens EDA Solido Characterization Suite, ki pospešuje karakterizacijo in preverjanje proizvodne kakovosti .lib v vozliščih napredne tehnologije. Te tehnike ML obravnavajo nekatere temeljne izzive z zahtevnimi zahtevami .lib sodobnih tehnoloških vozlišč in njihove validacije.

Izdelava .lib, ki podpira ML, in preverjanje s Solido Generator in Solido Analytics
Solido Characterization Suite uporablja v proizvodnji preizkušene tehnike ML za pospešitev karakterizacije knjižnice in preverjanja standardnih celic, pomnilnika in blokov po meri. Dve glavni komponenti zbirke sta Solido Generator in Solido Analytics.

Solido Generator uporablja metode ML za pospešitev celotnega postopka karakterizacije knjižnice s takojšnjim ustvarjanjem knjižnic za dodatne vogale PVT po začetni karakterizaciji. Solido Generator uporablja obstoječe knjižnice, značilne za SPICE, kot sidrne podatke za izdelavo modelov ML knjižnic in izdelavo novih knjižnic PVT.

Pred generiranjem dodatnih PVT Solido Generator analizira nabor sidrnih kotov, da določi optimiziran nabor knjižnic, potrebnih za dodatno generiranje PVT. Ker orodje uporablja nabor vnaprej karakteriziranih .libs, odpravlja odvisnost od seznamov omrežij ali podvezij SPICE in potrebo po podvajanju nastavitev karakterizacije, da se ujemajo s tistimi prodajalca knjižnice. Solido Generator deluje približno 100-krat hitreje kot tradicionalni SPICE.

Metode, ki podpirajo ML, v Solido Generatorju uporabnikom omogočajo »najboljše iz obeh svetov« z ustvarjanjem produkcijsko natančnih datotek .libs LVF za dodatne vogale PVT v delčku izvajalnega časa v primerjavi z metodami Monte Carlo s surovo silo ali približnimi metodami Monte Carlo, pri čemer ohranjajo natančnost. enakovreden svojemu vhodnemu sidru .libs. Solido Analytics je napredna rešitev za preverjanje, analizo in razhroščevanje knjižnice, ki ne vključuje samo hitrih, vzporednih in celovitih statičnih preverjanj, ki temeljijo na pravilih, temveč uporablja tudi orodje za zaznavanje izstopov ML, ki se »nauči« pričakovanih karakteriziranih vrednosti v knjižnici in samodejno zazna napake, kot so odstopanja ali nemonotona vedenja v karakteriziranih podatkih, ki jih druga orodja običajno ne zaznajo.

Če želite prebrati več, kliknite tukaj.

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