越来越专业化过程技术意味着是时候看看新图书馆表征流动。
梅根·马什和Wei-Lii棕褐色
今天的半导体应用程序,从先进的传感应用,物联网,边缘计算设备,高性能计算,专门的人工智能芯片,不断推动实现权力的边界,性能,和区域(PPA)指标。比赛设计和船舶这些创新设备导致了专注,time-to-market-driven努力改善总设计时间表周转时间在使用最合适的工艺技术和IP。
图书馆特征起着关键作用的驱动实现更高的PPA指标在设计时间。很大一部分致力于数字逻辑芯片区域,记忆,I / O和定制IP静态时序分析设计和实现的数字方法,使用自由模型特征库。因此,能够高效、准确地描述库所有目的过程中,温度和电压(PVT)条件是一个关键的要求全芯片或块级设计流。
描述的挑战
对不同的半导体应用程序使用不同的过程和图书馆并不是一个新概念。然而,近年来专业技术服务过程不同的需求,如尖端节点FinFET技术超高性能计算、FD-SOI低功率和物联网应用程序,以及其他专业工艺技术或变异汽车、医疗和其他应用程序。这种专业化,加剧了特定于应用程序的库组件和自定义的IP,导致数量的显著增加库,库组件,操作pvt和类型的数据的特征。
典型库表征流(图1)包括香料模拟运行在所有库组件(如标准电池,自定义块,和记忆)跨一组PVT条件完全覆盖了操作条件。这需要10 m - 100 m香料模拟运行对整个图书馆。表征的输出是一组自由(lib)模型完全封装属性如时间、力量,噪声为每个库组件。
图1:传统图书馆表征流。
图书馆特征的传统方法已经沿用了几十年。不幸的是,今天的工作流动图书馆表征和验证变得越来越昂贵的计算和工程工作的复杂性和数量的特征数据。描述需要超过传统方法的可伸缩性,它增加进度拖延的风险,不完整的特征验证结果,re-spins由于芯片的失败。
特性团队所面临的主要挑战今天可以分为五大类型:
总描述运行时/吞吐量
描述一个新图书馆需要数以百万计的模拟通常需要数周甚至数月才能完成,即使有相当大的计算集群。这导致大量的硬件资源紧张,更重要的是,再设计tape-out时间表。如果图书馆团队不能跟上进度要求多个设计tape-outs,有一个真正的风险库描述成为一个瓶颈生产计划。
精度和质量的结果
在很多情况下,模拟描述简单的不能在生产运行设置。例如,大型模拟电路的特点在许多pvt或不同的内存记忆编译器的编译可能需要描述实现部分通过仿真和部分的组合插值和应用的利润率。这种方法的缺点是潜在的时间或功能错误由于不准确,或更常见的,由于利润导致保险设计最优功率/性能/面积权衡。
增量PVT角落表征
所面临的一个共同问题全面芯片/块级设计实施和验收(产品)团队是缺乏自由模式在一个特定的PVT角落。这尤其常见的团队使用外来库时,必须从他们的供应商请求更多的角落。另外,产品团队可以选择描述新PVT角落本身,但这需要他们匹配库提供者的表征环境为了正确地描述额外PVT的角落。这两种方法产生的计划成本以周或更多的额外的时间周转时间。
自由模型验证
下游(STA)的静态时序分析工具认为自由模型是“黄金。“因此,自由模型文件必须验证准确性和正确性由图书馆团队。第一代自由执行静态验证工具,基于规则的检查,它只能检测他们的程序。这可能导致许多关键,design-breaking问题保持隐藏,导致可怜的PPA指标或re-spins由于芯片失败。
调试和修复
古话说,“知道是成功的一半。“更准确地说,知道只是成功的一半。库验证,另外一半由时间和effort-intensive回源跟踪问题的过程,发现其他的问题相关的来源问题,和修复所有错误数据点在特征库。今天一个典型库调试会话涉及解析文本的错误/警告日志文件中的条目定位误差源或开发奢侈的内部调试工具。根据遇到的错误的复杂性,自由验证可以采取多达50%库生产计划总数的-80%。
一台机器learning-powered库描述和验证方法
Solido机器学习描述套件(MLChar)导师,西门子业务,使用production-proven机器学习方法来加速库描述和验证,并利用信息可视化(InfoVis)方法来简化图书馆调试(图2)。MLChar的两个主要组成部分是:
图2:MLChar发生器工作流程生产production-accurate新PVT角落从现有种子数据。
在今天的设计方法提供积极的芯片设计和生产计划,这种新的表征技术的进步使团队tape-out设计更快和更少的时间波动,并减少re-spins需要修复后的风险tape-out bug。
对学习更感兴趣吗?请阅读我们的白皮书:与机器学习提高图书馆表征质量和运行时。
|
|
|
|
|
|
|
|
|
留下一个回复