新方法需要处理当地的高级节点变化。
EDA(电子设计自动化)细胞特征工具已经被广泛地用于生成模型时间、功率和噪声在角落数量快速增长的过程。今天,模型变化已成为一个关键组成部分细胞特征。由于过程会影响电路的时序变化,电压、温度变化和可能导致违反时间,导致昂贵的re-spin设计。尽管全球变化捕获通过分析设计过程在不同的角落,当地的变化无法有效处理只有传统corner-based静态时序分析(STA)。作为设计师试图挤出每一盎司的power-performance-area (PPA),包装数以百万计的晶体管芯片,局部变化的影响越来越突出。在当今最先进的节点7海里和下面,有一种强烈的需要创新的方法来减少悲观,并提供一个更好的设计加旁注方法准确地解释变异的影响。
下图总结了芯片上变异(缴纳)利差方法如何进化和自由变体格式(LVF)和基于当下LVF已经成为强制性的在下面7海里。从缴纳搬到LVF,精度有所提高,但大大增加了运行成本特性。
图1:增殖技术的进化芯片上变异。
此外,最新的设备和应用程序在移动和物联网市场推动对减少权力,进一步推动下运行电压水平接近或亚阈值操作。这创造了一个巨大的挑战对IC设计师非高斯时间在超低电压变化更为普遍,这构成了对设计的鲁棒性和产量的影响更大。
基于当下LVF模型非高斯时间变化观察到超低电压角落。获取更详细的时间变化分布,基于当下LVF扩展包括均值漂移、标准差和偏态。
蒙特卡罗是黄金参考统计特征。尽管这种方法可能是有效的,除非表征工程师有个月年交付模型,该方法提取的随机抽样σ只能实际用于验证。
图2:描述使用蒙特卡罗和基于灵敏度分析的方法。
第二个方法是基于灵敏度分析(SBA),该方法估计变异分布的高斯曲线通过计算灵敏度延误/许多/约束每个参数在每个晶体管。这种方法扫描工艺参数显式地在模拟和雇佣了三个点分析使用名义和+ / - 3σ变异。而SBA适用于高斯分布,在超低电压分布变得非高斯。
超低电压,改善LVF模型的最新方法是基于机器学习(ML)。这种方法使用一个毫升与改进策略方法找到感兴趣的和积累足够的数据区域,使准确的非高斯分布建模。
图3:描述使用机器学习的方法。
与一个ML-based LVF表征方法,我们看到两全其美。实现运行时性能,同时为超低电压LVF给准确性。
LVF特性已成为一个必要模型变化在22 nm节点下面。基于当下LVF面向提高精度在超低电压。所有这些LVF描述成本运行时。Synopsys对此部署升级其表征工具,以改善运行时明显,以减轻3 x增加描述成本在每一个节点从7 5 nm 3 nm。
Synopsys对此图书馆特征的最新创新,设计师可以实现更快和更准确的变化模型的目标产生黄金时段验收质量库。您可以了解更多关于之间的密切合作和一体化各种Synopsys对此签收产品,或者联系你的当地Synopsys对此销售代表。
|
|
|
|
|
|
|
|
留下一个回复