在高级工艺节点，由于设计复杂性、时序签核所需的拐角数量增加以及统计变化建模的需要，Liberty 或库 (.lib) 的要求更加苛刻。 这会导致大小、复杂性和 .lib 特征数量的增加。 验证和验证这些复杂且庞大的 .lib 文件是一项具有挑战性的任务，如果未及时检测和修复 .lib 错误，则会对成功的时序收敛甚至芯片故障构成重大威胁。
本白皮书介绍了机器学习 (ML) 技术在 Siemens EDA Solido Characterization Suite 中的使用，该技术可加速先进技术节点上的生产质量 .lib 表征和验证。 这些 ML 技术通过现代技术节点及其验证的苛刻 .lib 要求解决了一些基本挑战。
使用 Solido Generator 和 Solido Analytics 进行支持 ML 的 .lib 生产和验证
Solido Characterization Suite 使用经过生产验证的 ML 技术来加速标准单元、内存和自定义块的库表征和验证。 该套件的两个主要组件是 Solido Generator 和 Solido Analytics。
Solido Generator 使用 ML 方法通过在初始表征后立即为额外的 PVT 角生成库来加速整个库表征过程。 Solido Generator 使用现有的 SPICE 特征库作为锚定数据来构建库的 ML 模型并生成新的 PVT 库。
在生成额外的 PVT 之前，Solido Generator 分析锚角集以确定额外的 PVT 生成所需的优化库集。 由于该工具使用一组预表征的 .lib，因此消除了对 SPICE 网表或子电路的依赖，也无需复制表征设置以匹配库供应商的设置。 Solido Generator 的运行速度比传统 SPICE 快约 100 倍。
与蛮力蒙特卡罗或近似蒙特卡罗方法相比，Solido Generator 中支持 ML 的方法通过为额外的 PVT 角生成生产精确的 LVF .lib，为用户提供“两全其美”，同时保持准确性相当于它的输入锚点.libs。 Solido Analytics 是一种高级库验证、分析和调试解决方案，不仅包括快速、并行和全面的基于静态规则的检查，而且还采用 ML 离群值检测工具，该工具“学习”库中的预期特征值并自动检测典型数据中的异常值或非单调行为等错误，这些错误通常无法被其他工具检测到。
要了解更多，请点击 相关信息.
