使用 ML 化解库特征提取和验证挑战

在先进工艺节点下，由于设计复杂性、时序签核所需工艺角数量的增加以及统计学偏差建模的需求，Liberty 或库 (.lib) 要求变得更加严苛。这导致 .lib 特征提取的大小、复杂性和数量都会增加。对这类复杂而庞大的 .lib 文件进行确认和验证是一项颇具挑战性的任务，如果未及时检测到并修复 .lib 错误，就会对成功的时序收敛构成严重威胁，甚至导致芯片失效。

本白皮书介绍如何利用使用机器学习 (ML) 技术的 Siemens EDA Solido™ 特征提取套件，加快先进工艺节点下生产高质量 .lib 的特征提取和验证速度。这些 ML 技术化解了满足现代工艺节点及其验证的严苛 .lib 要求所面临的一些基本挑战。

使用 Solido Generator 和 Solido Analytics 进行支持 ML 的 .lib 生产和验证

Solido 特征提取套件使用经过产品验证的 ML 技术来加速标准单元、内存和定制模块的库特征提取和
验证。该套件的两个主要组件为 Solido Generator 和 Solido Analytics。

Solido Generator 使用 ML 方法，在初始特征提取后即时生成更多 PVT 工艺角的库来加速整体库特征
提取过程。Solido Generator 使用现有的 SPICE 特征提取库作为基准数据，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 会对基准工艺角集进行分析，确定生成更多 PVT 所需的一组经优化的库。由于该工具使用一组预先提取特征的 .lib，因而消除了对 SPICE 网表或子电路的依赖，也不需要复制特征提取设置来匹配库供应商的设置。Solido Generator 的运行速度比传统 SPICE 要快约 100 倍。

与暴力穷举蒙特卡洛或近似蒙特卡洛方法相比，Solido Generator 中支持 ML 的方法为用户提供了“两
全其美”的解决方案，即，在少得多的运行时间内为更多的 PVT 工艺角生成具有产品精度的 LVF .lib，同时保持与其输入基准 .lib同等的精度。 Solido Analytics 是一种先进的库验证、分析和调试解决方案，不仅包括快速、并行化且全面的基于静态规则的检查，还采用 ML 异常值检测工具在库中“学习”预期的特征提取值，并自动检测各种使用其他工具通常无法检测出来的错误，如特征提取数据中
的异常值或非单调行为等。