蒋思莹作者

机器学习如何赋能EDA

在20/22nm引入FinFET以后,先进工艺变得越来越复杂。在接下来的发展中,实现“每两年将晶体管数量增加一倍,性能也提升一倍”变得越来越困难。摩尔定律的发展遇到了瓶颈,先进制程前进的脚步开始放缓。

但是由于当今先进电子设备仍需求先进工艺的支持,因此,还有一些晶圆厂还在致力于推动先进制程的继续发展。这些晶圆厂与EDA企业之间的合作,推动了先进制程的进步。从整体上看,当先进制程进入到14nm/7nm时代后,EDA工具的引入可以缩短研发周期,尤其是针对后端设计制造工具的更新,EDA起到了至关重要的作用。

EDA能够解决先进制程的哪些难题?

对于半导体晶圆代工厂而言,制造是否成功取决于其控制设计制造工艺窗口的能力,即他们不仅要能够最大限度地扩大工艺窗口,还要能够在尽可能短的时间内预防、发现、评估和修复热点。EDA的出现,有效地解决了这些在半导体制造过程中产生的难题。
7nm 以下技术给半导体制造带来的挑战
在众多EDA工具中,Mentor所推出的Calibre平台,凭借着出色性能,高准确性和可靠性,成为了IC物理验证和制造领域中的领导者,并被全球主流的晶圆厂广泛采用。

机器学习功能为EDA带来改变

当先进制程进入到10nm以后,在保障良率和性能的情况下,率先推出相关产品,成为了抢占市场先机的不二法门。在这个过程当中,EDA工具也成为了快速推动产品面市的一个因素。

但是由于晶体管密度的增加,使得与之相关的计算量也增大了数倍,因此,设计人员和晶圆代工厂需要IC设计制造软件在准确性和速度方面进行更大幅度的改进。机器学习的出现让这一难题有了解决方案。机器学习能够分担设计制造过程中耗时费工的任务,让产品生产周期缩短、设计品质提高。因此,将机器学习功能赋予EDA工具,也被业界视为是未来EDA的发展方向之一。

针对这一市场需求,Mentor推出了带有机器学习功能的Calibre IC制造工具。目前,用于IC制造的Calibre工具和应用程序已经具有完全集成的机器学习基础平台。Calibre典型的机器学习系统包含一个训练模型,目的是通过创建一个准确的模型,来正确解答IC制造过程中所出现的问题。完成训练后,需要对模型进行评估并将其用于推理。所有这些都与Calibre核心架构集成在一起,实现无缝协作。
Calibre架构整合了机器学习的体系

Calibre平台助推先进节点的面市

通过具有机器学习功能的Calibre平台,可以对IC制造应用进行改进,包括工艺建模、光学邻近效应修正(OPC)和光刻友好性设计(LFD)三个方面。

具体来看,在工艺建模领域,Calibre可以通过机器学习提高准确性。5nm及更小节点的建模准确性要求比以往更加严格,将机器学习功能赋予EDA工具能够在准确度和速度方面上有所保障。Calibre的机器学习建模架构旨在保留直接捕获物理现象的信息通道,同时在复杂性、运行时间和准确性之间保持平衡。与基准结果相比,Calibre机器学习模型在不对所测数据做任何更改的情况下,可以将模型的准确性提高多达40%。(具体实现过程可参见:https://cn.mentor.com/ic-design/resources/overview/calibre-ic-manufacturing-smarter-and-faster-with-machine-learning-97e3814a-9c44-4eab-aa54-f83807f07dbc
(与传统工艺模型 (CM1) 相比,NNAM(神经网络辅助模型)提高了准确性。)
OPC有助于解决光的局限性,以保持原始设计在经过光刻后,其在硅晶圆上的蚀刻图像的完整性。Calibre作为OPC工具市场的领导者,也正在将更多的功能赋予这类工具,以支持日渐缩小的工艺技术路线图(最新发展已达 3 纳米节点)。这种新功能就是机器学,该功能特别有助于缩短周转时间 (交付生产所需的可制造掩膜需要花费的时间,TAT)。据Mentor官方介绍显示,采用了机器学习的Calibre OPC将运行时间缩短了3倍。除此之外,机器学习OPC还有具有额外的好处,即可以通过被称为“边缘放置误差 (EPE) ”的准确性指标来提高OPC的准确性。
机器学习缩短了 OPC 运行时间并提高了准确性)
在10nm及更小节点上,蚀刻工艺对精确控制关键尺寸(CD)的影响变得非常重要。蚀刻工艺非常复杂,因此OPC使用了更近似的经验蚀刻模型。Calibre实现了一种适用于刻蚀模型的机器学习的新方法,经证明,可在准确性和可预测性方面实现2-4倍的改进。
(使用机器学习的蚀刻建模提高了准确性和可预测性)
除此以外,10nm以下的光刻热点检测运行时间也在持续增加,设计人员必须采用新的可制造性设计(DFM)技术来加速高级验证过程。缩短运行时间的方法之一是减少用于仿真的数据量。为满足这一市场需求,Calibre开发了一种使用机器学习的快速、准确的光刻热点检测方法。这种方法即机器学习LFD流程,也是一种“快速 LFD”流程,其中仿真区域的选择是以经训练的机器学习模型预测的位置为依据。利用此流程,Calibre用户可体验到10倍的计算速度提升。
机器学习缩短了 OPC 运行时间并提高了准确性)
通过以上的结果表明,将机器学习功能赋予EDA可以提升半导体制造的智能化水平和速度。同时,根据美国国防高级研究计划局(DARPA)的电子资产智能设计(IDEA)项目来看,其所要推动的正是EDA工具的发展,在这个过程中,机器学习功能将发挥重要的作用。由此来看,具有机器学习功能的EDA将会成为未来半导体制造中的重要组成部分,Mentor作为其中的一份子,通过了解他所提供的新工具,或许能让我们洞悉未来半导体制造需要怎样的EDA工具。
半导体行业观察
半导体行业观察

最有深度的半导体新媒体,实时、专业、原创、深度,30万半导体精英关注!专注观察全球半导体最新资讯、技术前沿、发展趋势。

产业机器学习
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

基准技术

一种简单的模型或启发法,用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

摩尔定律技术

摩尔定律是由英特尔创始人之一戈登·摩尔提出来的。其内容为:积体电路上可容纳的电晶体数目,约每隔两年便会增加一倍;经常被引用的“18个月”,是由英特尔首席执行官大卫·豪斯所说:预计18个月会将芯片的性能提高一倍。

推荐文章
暂无评论
暂无评论~