消除记忆发展的四个关键瓶颈。
正如最近的博客帖子更多的内存需求,是一种常见的主题很多semiconductor-driven产品。人工智能(AI)和机器学习(ML)算法依赖于快速、大量内存的实时性能,各级和存储是数据密集型应用程序的关键。通用内存设备让位给定制的芯片应用,如人工智能、服务器,和汽车,以满足特定的性能,功率和带宽的需求。需要生产衍生品设计和变异迅速增加上市时间(TTM)压力。
针对这些要求,内存设备越来越复杂以及更大,与咄咄逼人的力量,性能和面积(PPA)的目标。记忆越来越分为multi-die配置如multi-chip模块(反水雷舰)和2.5 d / 3 d结构,构成重大挑战设计,分析,和包装。例如,完整的内存数组,包括死了,之间的互联和配电网络(生产),设计时必须考虑最先进的高带宽内存(HBM)或3 d NAND闪存芯片可靠性优化PPA,确保硅。
传统的内存设计和验证技术不能满足这些先进设备的需要。模拟大数组需要太长和延迟TTM由于过度周转时间(乙)。手工迭代循环过程中设计问题时发现晚进一步扩展计划和消耗额外的资源。应对这一挑战的唯一途径是“左移位”内存设计并验证过程进行更好的分析,避免意外在流,减少迭代。这种转变在内存中消除四个关键瓶颈发展影响整体答和TTM:宏观细胞特征,块设计优化,pre-layout布线后仿真的差距,和自定义布局设计。
宏单元描述需要蒙特卡罗模拟,传统上一直是一个重要但可控的部分内存分析阶段的设计。然而,与现代设备,成本在时间和资源强力蒙特卡罗是禁止的。数十亿的模拟运行时通常需要达到预期的高σ表征,确保设计的鲁棒性。幸运的是,这是一个领域,毫升可以产生很大的影响。高度精确的代理模型的设计可以构建和训练来预测高σ电路行为,从而大大减少了运行所需的数量。出版的案例研究表明,这种方法可以实现加速的100 - 1000 x /传统方法而提供黄金香料结果的精度在1%以内。
主要的迭代循环,延长记忆项目答和TTM不得不改变设计的结果分析。在传统的流,设计师决定在拓扑中,选择设计参数,如晶体管大小和R / C值,模拟设计,并探讨了输出。如果结果不符合PPA目标项目,设计师必须调整参数,re-simulate,评估结果。这个设置一个手动循环,消耗宝贵的工程资源和延迟。AI /毫升可以帮助在这里将块级设计优化和PPA关闭过程在时间。人工智能代理可以自动选择设备参数,模拟运行,学习结果,调整迭代收敛于正确的设备参数,以确保符合要求的设计。AI-driven更快地优化设计达到预期目标的数量级与手动工作少得多。
另一个迭代的主要来源,延长答,增加TTM pre-layout之间的差距和布线后仿真。目标是预取等设计规范寄生的影响时间、力量,噪音,和稳定之前尽可能准确地布局,以避免不愉快的惊喜当寄生提取布局。不幸的是,与传统流,这样的意外是很常见的,导致重复布局和模拟。解决方案是早期寄生分析工作流程,允许精确估计净寄生pre-layout和局部布局的设计。使用早期出版的案例研究表明,寄生虫寄生分析工作流预取减少之间的差距pre-layout和布线后的设计时间从20 - 45%降至0 - 20%。早期寄生分析工作流可以进一步提高使用毫升预测互连寄生。虽然这是一项新兴技术,它是一个显示了巨大的希望。
加速记忆的模拟和分析设计显然是转移的关键流程,但有机会减少自定义布局阶段的时间和精力。在内存中同一次电流拓扑频繁发作的设计。能够重用现有布局由专家设计师可以通过模板的创建和应用程序提取位置和路由模式。初级设计师可以创造新的布局的模板使用任何他们需要设备尺寸,节省时间和利用专家的智慧和经验体现在最初的布局。出版的案例研究表明,创建和使用模板达到50%以上速度布局答为关键的模拟电路在记忆和生产更加一致的布局质量不管工程师的经验。布局设计的下一个前沿毫升技术的使用自动化模拟布局位置和路由,进一步推动改善生产力布局。
Synopsys对此自定义设计家庭删除所有四个内存设计和验证使用上面描述的技术瓶颈。Synopsys对此PrimeSim连续提供ML-driven高σ蒙特卡罗和统一的工作流最佳电路仿真技术,消除固有的麻烦和建模不一致点工具流。结合Synopsys对此PrimeWave设计环境,PrimeSim连续也提供AI-driven电路优化和早期寄生分析。最后,Synopsys对此自定义编译器设计和布局方案包括完全支持基于模板的设计重用。内存设计和验证是具有挑战性的,而且愈演愈烈。Synopsys对此提供剩下的技术转移过程中,减少答和TTM,同时保持PPA结果的质量。
|
|
|
|
|
|
|
|
留下一个回复