Ta itu med bibliotekskarakterisering och verifieringsutmaningar med ML

Vid avancerade processnoder är kraven från Liberty eller bibliotek (.lib) mer krävande på grund av designkomplexitet, ökat antal hörn som krävs för timing signoff och behovet av statistisk variationsmodellering. Detta resulterar i en ökning i storlek, komplexitet och antalet .lib-karakteriseringar. Validering och verifiering av dessa komplexa och stora .lib-filer är en utmanande uppgift och utgör ett betydande hot mot framgångsrik stängning av timing och till och med kiselfel om .lib-felen inte upptäcks och åtgärdas i tid.

Denna vitbok beskriver användningen av maskininlärningstekniker (ML) i Siemens EDA Solido Characterization Suite som påskyndar produktionskvalitet .lib karakterisering och verifiering vid avancerad teknik noder. Dessa ML-tekniker tar itu med några av de grundläggande utmaningarna med de krävande .lib-kraven för moderna teknologinoder och deras validering.

ML-aktiverad .lib produktion och verifiering med Solido Generator och Solido Analytics
Solido Characterization Suite använder produktionsbeprövade ML-tekniker för att påskynda bibliotekskarakterisering och verifiering av standardceller, minne och anpassade block. De två huvudkomponenterna i sviten är Solido Generator och Solido Analytics.

Solido Generator använder ML-metoder för att påskynda den övergripande bibliotekskarakteriseringsprocessen genom att omedelbart generera bibliotek för ytterligare PVT-hörn efter den initiala karakteriseringen. Solido Generator använder befintliga SPICE-karaktäriserade bibliotek som ankardata för att bygga ML-modeller av biblioteken och producera nya PVT-bibliotek.

Innan de extra PVT genereras, analyserar Solido Generator ankarhörnuppsättningen för att bestämma den optimerade uppsättningen av bibliotek som behövs för ytterligare PVT-generering. Eftersom verktyget använder en uppsättning förkarakteriserade .libs, eliminerar det beroendet av SPICE-nätlistor eller underkretsar och behovet av att replikera karaktäriseringsinställningarna för att matcha biblioteksleverantörens. Solido Generator går cirka 100 gånger snabbare än traditionell SPICE.

De ML-aktiverade metoderna i Solido Generator ger användarna det "bästa av två världar" genom att generera produktionsexakta LVF .libs för ytterligare PVT-hörn på en bråkdel av körtid jämfört med brute-force Monte Carlo eller approximerade Monte Carlo metoder, samtidigt som noggrannheten bibehålls motsvarande dess ingångsankare .libs. Solido Analytics är en avancerad biblioteksvaliderings-, analys- och felsökningslösning som inte bara inkluderar snabba, parallelliserade och omfattande statiska regelbaserade kontroller, utan också använder ett ML-outlier-detekteringsverktyg som "lär sig" de förväntade karakteriserade värdena i ett bibliotek och automatiskt upptäcker fel som extremvärden eller icke-monotona beteenden i den karakteriserade data som vanligtvis inte upptäcks med andra verktyg.

För att läsa mer, klicka på här..

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