使用 ML 解決資料庫特性化和驗證難題

在先進製程中，Liberty 或資料庫 (.lib) 的要求更為嚴苛，這是由於設計複雜性、時序 Signoff 所需的工藝角數量增加，以及統計變異建模需求所造成的。這會導致 .lib 特性化的大小、複雜性和數量的增加。對這些複雜大型 .lib 檔案進行驗證及確認是一項艱鉅任務，如果未及時偵測到 .lib 錯誤並予以修復，則會對時序收斂是否成功造成嚴重威脅，甚至導致矽晶故障。

本白皮書將說明如何在 Siemens EDA Solido™ Characterization Suite 中使用機器學習 (ML) 技術，加快先進製程技術下生產品質 .lib 的特性化和驗證速度。這些 ML 技術解決了在現代製程技術及其驗證中，嚴苛 .lib要求所帶來的一些基本難題。

使用 Solido Generator 和 Solido Analytics 進行啟用 ML 的 .lib 生產與驗證

Solido Characterization Suite 套件使用經生產驗證的 ML 技術，可加速標準單元、記憶體和自訂區塊的資料庫特性化和驗證。此套件的兩個主要組件為 Solido Generator 與 Solido Analytics。

Solido Generator 使用 ML 方法，透過在初始特性化後立即為其他 PVT 工藝角產生資料庫，來加速整體資料庫的特性化流程。Solido Generator 使用現有的 SPICE 特性化資料庫作為錨點資料，以此建構資料庫的 ML 模型，並生成新的 PVT 資料庫。

在產生額外的 PVT 之前，Solido Generator 會分析錨點工藝角組，以決定產生額外 PVT 所需的最佳化資料庫組。由於此工具使用了一組預先特性化的 .libs，因此可消除對 SPICE netlist 或子電路的依賴
性，並且無需為了與資料庫供應商的設定相匹配，而去複製特性化設定。Solido Generator 的運作速度比傳統的 SPICE 快上 100 倍。

Solido Generator 中啟用 ML 的方法，可為額外的 PVT 工藝角產生符合生產準確度要求的 LVF .libs，所需時間僅是窮舉法蒙地卡羅模擬，或近似蒙地卡羅方法所需時間的一小部分，同時保持與其輸入錨點 .libs 相當的準確度，因此為使用者提供了一種「兩全其美」的辦法。

Solido Analytics 是一款先進的資料庫驗證、分析及除錯解決方案，不僅包括快速、並行且全方位的基於規則的靜態檢查，而且還使用 ML 異常值偵測工具在資料庫中「學習」預期的特性化數值，並可以自動偵測使用其他工具通常無法偵測到的錯誤，例如特性化資料中的異常值或非單調性的行為。