ML을 사용한 라이브러리 특성화 및 검증 문제 해결

첨단 프로세스 노드에서, Liberty 또는 라이브러리(.lib) 요구 사항은 설계 복잡성, 타이밍 사인오프에 필요한 코너 수 증가, 통계 변화 모델링 필요로 인해 더욱 까다롭습니다. 이로 인해 크기, 복잡성 및 .lib 특성화 수가 증가하게 됩니다. 이렇듯 복잡하고 거대한 .lib 파일의 확인 및 검증은 힘든 작업이며, .lib 오류가 제때 감지되거나 수정되지 않을 경우 성공적인 타이밍 클로저에 상당한 위협을 초래하고 심지어는 실리콘 failure까지 발생할 수 있습니다.

이 백서에서는 첨단 기술 노드에서 생산 품질 .lib 특성화 및 검증을 가속화하는 Siemens EDA Solido™ Characterization Suite의 기계 학습(ML) 기법 사용에 대해 설명합니다. 이러한 ML 기법은 현대적인 기술 노드의 까다로운 .lib 요구 사항과 그 확인에 관련된 일부 근본적인 문제 해결해 줍니다.

Ml을 활성화한 .lib 제품 및 Solido Generator와 Solido Analytics를 통한 검증

Solido Characterization Suite는 생산성이 검증된 ML 기법을 사용하여 표준 셀, 메모리 및 맞춤형 블록의 라이브러리 특성화와 검증 속도를 높여줍니다. 두 가지 주요 tool은 Solido Generator와 Solido Analytics입니다.

Solido Generator는 ML 방법을 사용하여 초기 특성화 이후 추가 PVT 코너에 대한 라이브러리를 즉시 생성하여 전체 라이브러리 특성화 프로세스의 속도를 높입니다. Solido Generator는 기존 SPICE 특성화 라이브러리를 기반 데이터로 사용하여 라이브러리의 ML 모델을 구축하고 새로운 PVT 라이브러리를 만듭니다.

Solido Generator는 추가 PVT를 생성하기 전에 기반 코너 세트를 분석하여 추가 PVT 생성에 필요한 최적화 라이브러리 세트를 결정합니다. 툴은 미리 특성화된 .lib를 사용하기 때문에, SPICE Netlist 또는 하위 회로에 대한 의존도를 없애고 라이브러리 공급업체 설정에 맞게 특성화 설정을 복제할 필요가 없습니다. Solido Generator는 기존 SPICE보다 약 100배 더 빨리 실행됩니다.

Solido Generator의 ML 활성화 방법은 입력 기반 .lib와 동등한 정확도를 유지하면서 전통적인 몬테카를로 방식 또는 대략적인 몬테카를로 방법과 비교하여 런타임 일부에 추가 PVT 코너에 대한 생산 정확도의 LVF .lib를 생성함으로써 사용자에게 "일석이조의 혜택"을 제공합니다.

Solido Analytics는 첨단 라이브러리 확인, 분석 및 디버깅 솔루션으로서 빠르고 병렬화된 종합 정적 규칙 기반 검사를 포함할 뿐만 아니라 라이브러리의 예상 특성화 값을 "학습"하는 ML 이상치 감지 툴을 사용하여 다른 툴에서 일반적으로 감지하지 못하는 이상치 또는 특성화 데이터의 단조 증감하지 않는 동작 같은 오류를 자동으로 감지합니다.