ML Kullanarak Kitaplık Karakterizasyonu ve Doğrulama Zorluklarının Ele Alınması

Gelişmiş süreç düğümlerinde, tasarım karmaşıklıkları, zamanlama imzalama için gereken köşe sayısının artması ve istatistiksel varyasyon modelleme ihtiyacı nedeniyle Liberty veya kütüphane (.lib) gereksinimleri daha zorludur. Bu, boyutta, karmaşıklıkta ve .lib karakterizasyonlarının sayısında artışa neden olur. Bu karmaşık ve büyük .lib dosyalarının doğrulanması ve doğrulanması zorlu bir iştir ve .lib hataları zamanında tespit edilip düzeltilmezse başarılı zamanlama kapatma ve hatta silikon arızaları için önemli bir tehdit oluşturur.

Bu teknik inceleme, ileri teknoloji düğümlerinde üretim kalitesi .lib karakterizasyonunu ve doğrulamasını hızlandıran Siemens EDA Solido Karakterizasyon Paketi'ndeki makine öğrenimi (ML) tekniklerinin kullanımını açıklamaktadır. Bu makine öğrenimi teknikleri, modern teknoloji düğümlerinin zorlu .lib gereksinimleri ve bunların doğrulanmasıyla ilgili bazı temel zorlukları ele alır.

Solido Generator ve Solido Analytics ile makine öğrenimi özellikli .lib üretimi ve doğrulaması
Solido Karakterizasyon Paketi, kitaplık karakterizasyonunu ve standart hücrelerin, belleğin ve özel blokların doğrulanmasını hızlandırmak için üretimde kanıtlanmış ML tekniklerini kullanır. Paketin iki ana bileşeni Solido Generator ve Solido Analytics'tir.

Solido Generator, ilk karakterizasyondan sonra ek PVT köşeleri için anında kitaplıklar oluşturarak genel kitaplık karakterizasyon sürecini hızlandırmak için ML yöntemlerini kullanır. Solido Generator, kütüphanelerin ML modellerini oluşturmak ve yeni PVT kütüphaneleri üretmek için mevcut SPICE karakterli kütüphaneleri bağlantı verileri olarak kullanır.

Ek PVT'leri oluşturmadan önce Solido Generator, ek PVT üretimi için gereken optimize edilmiş kitaplık setini belirlemek üzere bağlantı köşe setini analiz eder. Araç önceden karakterize edilmiş bir dizi .lib kullandığından, SPICE ağ listelerine veya alt devrelerine olan bağımlılığı ve karakterizasyon ayarlarını kütüphane satıcısınınkiyle eşleşecek şekilde çoğaltma ihtiyacını ortadan kaldırır. Solido Generator, geleneksel SPICE'tan yaklaşık 100 kat daha hızlı çalışır.

Solido Generator'daki ML özellikli yöntemler, kaba kuvvet Monte Carlo veya yaklaşık Monte Carlo yöntemleriyle karşılaştırıldığında çalışma süresinin çok küçük bir bölümünde ek PVT köşeleri için üretim açısından doğru LVF .lib'ler oluşturarak kullanıcılara "her iki dünyanın en iyisini" sunar ve aynı zamanda doğruluğu korur giriş çapası .libs'e eşdeğerdir. Solido Analytics, yalnızca hızlı, paralelleştirilmiş ve kapsamlı statik kural tabanlı kontroller içeren değil, aynı zamanda bir kitaplıkta beklenen karakterize edilmiş değerleri "öğrenen" ve otomatik olarak karakterize edilen verilerdeki aykırı değerler veya monoton olmayan davranışlar gibi genellikle diğer araçlarla tespit edilemeyen hataları tespit eder.

devamı için tıklayın okuyun.

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