蛮力分析跟不上集成电路的复杂性

当前的设计和验证流程是建立在蛮力分析,一个简单而直接的方法。但这种方法很少尺度,设计变得越来越相互依赖关系的数量增加,确保设计总是在规范经营正成为一个巨大的任务。

除非设计团队想要添加越来越多的利润,他们必须找到设计的领域最敏感的某种形式的可变性,以妥善处理这些问题。这些功能,安全、电压、温度、或制造变化。

“制造业成本上升在高级节点,设计师是设计利润管理引入不断增加的敏感性风险和确保收益,“拉胡尔Deokar说,数码产品营销主管设计小组Synopsys对此。“这些利润限制半导体创新,是一个重大的挑战在设计的最快,最有效的soc,因此离开权力,性能,和在桌子上。”

许多在过去的不再使用的统计技术的工作,随着一些相互依赖关系变得multi-physics。这些复杂的关系会导致非线性甚至不连续的关系。因此,找到必要的最小值或最大值计算不切实际。

功能相互依赖关系也通过加旁注创建问题无法处理。验证工具和流动通常不帮助先验证定位最重要的区域,因为他们平等对待每一行代码或覆盖的目标。

“虽然我们有了更多的计算能力比过去,我们没有使用每一个可能的方法和所有可能的数据,我们想要的,”费金说Uri,产品领先Vtool。“如果你这样做,你会发现计算能力仍然是不够的。我们要减少垃圾数据。”

行业依赖于抽象和统计抽样在过去,但这些都是在某些情况下变得越来越困难,越来越不准确。一些行业展望人工智能(AI)来帮助解决这个问题,而其他认为需要更多的基本情报的问题。

正确的抽象
该行业通常依赖于抽象简化问题。通过去除那些不必要的细节,可以做更多的分析,关注的主要问题。这在很多情况下仍能工作良好,但重要的是要确保是有效和有用的抽象。

“虚拟原型设计工具和模型使SoC架构师进行敏感性分析早期架构分析,”蒂姆•Kogel表示主要Synopsys对此应用程序工程师。“一个典型的例子是SoC互连和内存的优化配置,这样特定的带宽和延迟要求所有IP子系统都满意。这需要灵敏度分析潜在的数以百计的设计配置参数如时钟频率,数据宽度、缓存和缓冲区大小,或杰出的事务,与绩效相关指标如带宽、延迟、利用率和争用每个组件。还包括电力、能源和区域贸易到灵敏度分析性能改进与成本相关指标。”

一个好的抽象并不总是意味着高层。“在晶体管级,你可以运行模拟来理解每个晶体管是处理变化敏感,“说Nebabie Kebebew, AMS验证高级产品经理导师,西门子业务。“你可能需要处理的敏感性模拟电路处理变化,因为这是影响你的电力消耗。您可以运行设备尺寸全面,看看你的设计表现。这是使用最坏情况PVT的角落,你发现早些时候通过运行仿真整个电路。反馈,再加上设计师的洞察力,使他们做出权衡,以满足低功耗的目标。”

参数扫描用于其他领域。说:“这是一种简单的方法,”Synopsys对此Kogel。“你可以改变设计和配置参数,这是已知或疑似针移动目标关键性能指标(kpi)。结果可以通过使用数据透视图表进行后期处理关于kpi的策划设计参数的影响,为例。图1显示了电力,能源,和延迟的推理加速器的DDR内存控制器在各种设计参数,像许多并行核心DDR速度,进一步控制器配置参数”。

图1:运行时和能源比较与设计参数扫描。来源:Synopsys对此

但并非所有历史抽象仍然有用,而这个问题可能是新配方。考虑设计测试(DFT),它是基于一个stuck-at-fault和transition-fault模型。这是一个简单的模型,它使用与制造缺陷有很好的相关性。

改变模型可以是困难的。“DFT团队可以花几年的时间来建立生成时间目标,如覆盖目标,图案的大小,或其他指标,停留在和转换断层模型,”Ron出版社,说技术支持主管导师。“与defect-oriented测试结果已经公布,不再基于断层模型抽象模型缺陷。相反,它使用一个物理建模的设计来确定缺陷可能发生的地方。它已被证明是更准确的模型和测试实际的缺陷。麻烦的是找出哪些模式从传统的和新的模式最有效使用。”

几个应用领域选择模式是一个问题。DFT内,导师的新闻将过程描述为“第一个确定缺陷发生的可能性根据他们的关键区域,称为总关键面积的新方法,它可以把各种模式集考虑缺陷检测,然后选择最有效的模式应用。”

类似的问题发生在动力分析。说:“我可能有数千向量Preeti古普塔PowerArtist产品管理主管有限元分析软件。“我如何识别那些最活跃的信号,在所有这些向量是常见的吗?如果我有时间关键路径,如何获得更多的数据的时间功率灵敏度以及这些路径为了使设计决策?你不可能对数以百万计的瞬态分析工具的工作周期,因为你永远不会把芯片贴出来。你必须减少模式的数量屈指可数。然后您可以运行分析和观察动态芯片上的电压降。我们没有豪华运行完整的分析所有可能的场景。相反,我们需要聪明但安全的修剪和部署小心。”

焦点
有工具和度量,让你集中你的注意力有所帮助。“这往往要花上数年的生产失败数据公司决定适当的生产测试目标,”记者说。“考虑针对所有可能的测试覆盖率桥故障,这可能是一个巨大的列表。你可能会达到99%检测桥梁的缺点但是数以百计的小姐最可能的桥梁。减少数据处理机,它是更有效的选择子集的桥梁,最有可能发生。”

功能验证也有类似的挑战。“功能覆盖率的概念UVM,SystemVerilog一般来说,是面向任何容易,”达尔科Tomusilovic Vtool验证经理说。“经常发生,很多覆盖点定义仅仅因为他们容易把,即使他们不提供更有意义的价值。有很多时候真正的角落没有覆盖的情况下,仅仅因为它太难以表达它们在现有报道的语言。我们还有很长的路要去达到类似水平的质量领域的报道。很多时候只是被视为一个开销,因为我们去报道的时候我们已经知道这个设计或多或少的作品。”

统计分析
一个已经使用统计分析技术。这允许您把样品和推断的可能性你已经找到一个可接受的条目的数量目标。“统计灵敏度分析是一个概念,已经存在了几十年了,但从来没有可行部署超出一小块设计,更大规模的SoC生产流程,“说Synopsys对此Deokar。“true-statistical蒙特卡罗模拟分析需要重复相同的分析成千上万,甚至上百万,次为high-sigma准确性,这太耗时了跟上快节奏在SoC设计实现和结果。”

对许多行业来说,high-sigma正成为一种必需品。“任何芯片,进入汽车,或任何芯片,进入任务关键型应用程序或任何需要更多的精度要求高σ,“说Sathish Balasubramian, AMS验证高级产品经理的导师。“没有办法,在一个给定的时间,他们可以使用蒙特卡罗抽样验证模拟电路。从理论上讲,你可以如果你有无限的资源和足够的时间。但即使是这样,人们试图把最坏的情况,问我在我的设计应该建立足够的保证金的工作。这可能需要更多的保护带,它既影响性能或区域。”

一种新方法
对于这些问题,需要一种新的方法。“敏感性分析是非常可取的热形变场的优化也在包装方面,”安迪Heinig说,组长为先进的系统集成和部门主管有效的电子产品弗劳恩霍夫IIS的自适应系统的工程部门。“一些热形变场的影响本质上是非线性的。这意味着关键部分检测是非常重要的。灵敏度分析可以进入这个方向,但标准的灵敏度方法是不够的,他们必须加上更先进的人工智能(AI)方法,因为问题的根源随不同的包。”

混合新旧技术可能是一个解决方案。“带着机器学习技术,我们可以在几分钟内完成统计灵敏度分析,在单个执行主机,之前可能需要几天,和相同的精度,”Deokar说。“机器学习加上蒙特卡罗模拟——因为它是一个很好的可重复性申请机预测,并且可以加快速度100 x 10000 x -使全芯片SoC或high-sigma分析之前从来不是可行的。我们可以克服前面的周转时间的挑战与机器学习技术,使分析和优化为每个设计任何规模的HSPICE精度在几分钟之内,而不是几天或几周所需的完整的统计模拟。这个设计帮助设计师提供硅弹性变化和敏感性漏洞,并更快、更低的权力,更健壮、更划算。”

类似的技术可以帮助功能验证。“典型的ML应用程序,首先你有训练过程中,你基本上教毫升找到合适的算法,“Vtool的Tomusilovic说。“基于输入和输出你找到合适的算法。你通常在多个循环运行测试用例。每一个循环都有一个结果,假设,通过或失败。我们试图实现是找到什么是共同所有的案件中,有一个路过的场景,然后用毫升帮助我们找到干扰,为了理解什么是独一无二的,什么是特定于所有失败的场景。”

但它不似乎工作无处不在。“日益增长的复杂性驱动器需要自动化系统级设计空间探索,“Kogel说。“典型的方法是使用进化算法,以及最近基于ai与强化学习方法。虽然这适用于新的AI启用后端实现工具,我们还没有看到一个突破成功的系统级架构优化。”

重要的是将人工智能应用于正确的问题。“人类智慧仍是强制性的,”Tomusilovic说。“它不能被取代。有人提供适当的数据,必须要求机床有意义的问题。你不能简单地问它的解决问题的办法。你必须非常具体的,知道你想要什么样的解决方案,这就意味着你必须明白你的问题。”