CN117787179B - 一种融合型电路性能建模的方法与装置 - Google Patents
一种融合型电路性能建模的方法与装置 Download PDFInfo
- Publication number
- CN117787179B CN117787179B CN202311839353.6A CN202311839353A CN117787179B CN 117787179 B CN117787179 B CN 117787179B CN 202311839353 A CN202311839353 A CN 202311839353A CN 117787179 B CN117787179 B CN 117787179B
- Authority
- CN
- China
- Prior art keywords
- circuit
- performance
- parameter
- module
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 71
- 238000004088 simulation Methods 0.000 claims abstract description 70
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000000137 annealing Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims 1
- 238000013179 statistical model Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 238000012827 research and development Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 6
- 230000003071 parasitic effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明提供了一种融合型电路性能建模的方法。将小规模的实验流片后测得的实验数据与电路图仿真数据进行融合分析,建立电路性能参数回归模型,使得在进行新的模拟集成电路预测时,获得的性能表现与实际性能表现的偏差更小,相关电路设计参数的组合对应的电路性能调整变化趋势将更加确定与清晰。结合大规模电路图仿真和人工智能建模,采用基于模型的优化算法能够进一步的快速确定最优电路设计参数组合,由此可以减少流片次数,降低研发投入,加快设计周期,提高设计效率。
Description
技术领域
本发明属于集成电路仿真领域,具体涉及一种融合型电路性能建模的方法与装置。
背景技术
在集成电路领域中,一般通过前仿或后仿来评估电路性能。前仿即电路图的仿真,后仿则还需要考虑版图中线的电阻、寄生电容等因素;就建模必须的统计仿真和数据采集而言,电路图仿真(前仿)结果具有容易获得和数据噪声小的特点。通过调整仿真误差控制选项,可以保证数据的可靠性和一致性。采用小尺寸工艺制成的集成电路,其版图的寄生效应对电路性能有很大的影响。需要在完成版图设计后,提取寄生参数,生成包含寄生参数的网表进行后仿真(Post-layout simulation),进行流片之前最后的验证。后仿耗时通常较前仿耗时高一两个数量级。
然而在电路图设计空间探索和优化阶段是无法获得准确的版图寄生参数的,更重要的是对于众多种类的模拟集成电路,即使完成了消耗大量计算资源的后仿真,其仿真结果与流片后的测量结果仍有存在巨大的偏差。有鉴于此,业界通常的采用方法是多次实验流片,每次实验包含多个设计选项组合,帮助模拟设计师在头脑中建立设计选项与实验结果粗略的相关性。对于工程师而言,仅通过集成电路仿真的性能表现来调整设计是信心不足的,也难以达到预期效果,参数的不确定带来了模拟集成电路设计的周期延长以及成本升高。而由于技术、耗时和流片资源上的限制,只能有限的选择流片和测试设计选项组合,用传统方法也不足以产生足够数据拟合有效的预测模型。
因此,有必要进行进一步的电路性能建模研究,以解决模拟集成电路领域中因制造工艺与物理尺寸的原因影响仿真结果与实际差异性较大的问题,从而提升模拟集成电路设计效率,降低研发成本。
发明内容
针对现有技术中所存在的不足,为了提升集成电路设计EDA工具的仿真预测准确度,本发明提供了一种融合型电路性能建模的方法,包含以下步骤:
S1、基于大规模仿真数据与电路设计参数组合数据,建立电路图仿真性能参数模型;
S2、基于特定电路设计参数组合进行实验流片;所述特定电路设计参数组合来自于电路图仿真性能参数模型/待迭代融合型电路性能参数模型的参数设计优化,或来自于人工定向选择;
S3、对实验流片成功后的芯片进行测试,产生实验数据;
S4、以所述实验数据为参考目标,特定电路设计参数组合为输入,计算回归模型的函数关系,形成融合型电路性能参数模型,以进行电路性能预测或评价。
进一步的,在步骤S4中,所述回归模型函数的函数关系为:
或
其中,为电路图仿真性能参数模型函数,/>为电路设计参数组合的矢量数据,/>为/>的子集;/>为通过数据拟合或方程求解确定的相关系数。
进一步的,在步骤S2中,还包含如下步骤:
S201、基于需要进行电路性能建模的模拟电路,确定若干不同微调拓扑结构;
S202、结合各微调拓扑结构与电路设计参数组合数据,形成统一的采样空间;
S203、基于各微调拓扑结构、电路设计参数组合以及它们的采样空间,采样形成大量不同的参数值组合,并将其分别转化为参数化电路网表;
S204、对参数化电路网表开展仿真,得到其对应电路性能的仿真数据。
本发明还提出了一种融合型电路性能建模装置,包含第一模块、第二模块与第三模块;其中第一模块用于实现如上所述的一种融合型电路性能建模方法中,运行或实现电路图仿真性能参数模型的建立与仿真的功能;第二模块用于接收或传递所述实验数据;第三模块用于基于所述实验数据、仿真数据与电路设计参数组合数据,分析回归拟合关系以获得拟合参数,并建立回归模型函数;第一模块中,包含电路图仿真性能参数模型函数 为电路设计参数组合的矢量数据;所述第一模块的输出与第二模块的输出分别作为第三模块的输入。
相比于现有技术,本发明将小规模的实验流片后测得的实验数据与仿真数据进行融合分析,并建立回归模型,并进一步扩展到整体的电路图仿真性能参数模型的替换,使得在进行新的模拟集成电路仿真时,仿真获得的性能表现与实际性能表现的偏差更小,相关电路设计参数的组合对应的电路性能调整变化趋势将更加确定与清晰。结合大规模电路图仿真和人工智能建模,能够进一步的快速确定最优电路设计参数组合,通过实验验证后在若干参数优中选优,由此可以减少流片次数,降低研发投入,加快设计周期,提高设计效率。
附图说明
图1为实施例建模方法流程图。
图2为实施例中需性能建模的一种二级运算放大器的电路拓扑示意图。
图3为基于图2所进行结构微调的电路拓扑示意图。
图4为基于图2所进行结构微调的电路拓扑示意图。
具体实施方式
以下结合说明书附图对本发明作进一步详细说明,并给出具体实施方式。
本实施例提供了一种融合型电路性能建模的方法,如图1所示,包含以下步骤:
S1、基于大规模仿真数据与电路设计参数组合数据,建立电路图仿真性能参数模型;
S2、基于特定电路设计参数组合进行实验流片;所述特定电路设计参数组合来自于电路图仿真性能参数模型的参数设计优化,或来自于待迭代融合型电路性能参数模型的参数设计优化,或来自于人工定向选择;
S3、对实验流片成功后的芯片进行测试,产生实验数据;
S4、以所述实验数据为参考目标,特定电路设计参数组合为输入,计算回归模型的函数关系,形成融合型电路性能参数模型,以进行电路性能预测或评价。其中,所述电路设计参数组合包含元器件电性参数,还包含仿真电路所涉及的物理尺寸参数和/或PVT参数;所述PVT参数包含工艺漂移参数、电压参数与温度参数。
由于包括掺杂浓度、扩散深度、刻蚀程度等在内的工艺偏差会导致流片后芯片的实际性能与工程师设计的性能发生偏离,在不同电压、不同温度条件下,许多元件的电性参数会发生变化,使得最终的电路性能预测与实际情况发生较大偏差。在步骤S4中,所述回归模型函数的函数关系为:
或
其中,为电路图仿真性能参数模型函数,/>为电路设计参数组合的矢量数据,/>为/>的子集;/>为通过数据拟合或方程求解确定的相关系数。代表回归模型函数;虽然传统的仿真结果与流片后的测量结果存在巨大偏差,但这些结果是由同样一个设计产生,因此具有高度的相关性。通过对仿真结果的缩放、转移等线性变换,利用测量结果确定变换系数,实现模型融合,生成可以预测实际电路性能的模型即使在电路图仿真性能参数函数模型/>的具体逻辑表达式不清楚的情况下,仍然能够应用对应转换关系,获知和预测电路设计参数对应的电路性能。关于相关函数的求解,考虑方程式(1),使用测量的实验数据结果产生一个线性方程组系统求解变换系数。假设实验数据的数量为m,也即方程式的量,未知量的数量n=21+2,1对应/>的维度。如果m=n,可以使用高斯消去法直接对方程组求解。否则系统为过定性系统(m>n)或者欠定性系统(m<n),可以使用线性最小二乘法(Least Square Method,也即最小平方法)求解,获得变换系数。如果用代表实验的组合,matrix/>代表相应的实验结果,k是电路性能参数的数量,matrix是模型评估的结果,最小平方法会获得一组系数使最小。
如果使用方程式(2),可以使用列文伯格-马夸尔特法(L-M或者Levenberg-Marquardt)或者差分进化算法(Differential Evolution)获得变换系数与方程式(1)相比,方程式(2)还能够应用于非线性情况,通过对输入条件/>进行线性变换,来解决电路图仿真性能参数函数模型/>是非线性函数或误差为非线性情况时,预测电路性能的准确度情况。
下表为电路设计参数组合的简单示例,
根据上表中设计选项组合包括两种器件尺寸选项和两种拓扑结构微调选项一共15个组合,因此m=15,l=4,n=2*l+2=10,确定15个线性方程和10个未知变量。为了简明起见我们列出一个电路性能参数,即时钟CLK上升沿到比较器输出VOP上升沿延时,因此k=1。采用最小平方法求解该过定性系统,获得融合模型。下表中列出了前仿预测模型,后仿真结果,实验测试和融合预测模型的结果。融合模型预测结果与实测结果在各种设计选项上误差均小于8%,而后仿真结果和实测结果的误差在40%-70%之间,融合模型预测效果有了显著的提升。
在步骤S1中,采用人工神经网络作为电路图仿真性能参数模型,并使用超参数优化方法实现自动建模。
在步骤S2中,基于特定电路设计参数组合进行实验流片;所述特定电路设计参数组合来自于电路图仿真性能参数模型/待迭代融合型电路性能参数模型的参数设计优化,或来自于人工定向选择;
其中,参数设计优化的方法包含暴力枚举,进化算法,退火算法中的其中一种。
作为一种实施例,超参数优化方法包含如下步骤:
S101、从抽样空间随机采样N组超参数并建立N个贝叶斯超参数优化模型;
S102、用1/N的训练样本分别训练所述N个贝叶斯超参数优化模型并验证获得对应的损失值;
S103、应用连续减半方法,保留N个贝叶斯超参数优化模型中损失值最低的η组模型;S104、重复S101至S104步骤,直至保留最后一组贝叶斯超参数优化模型;
S105、应用超频带算法,调整η值,重复S101至S104步骤,以获得匹配训练样本最优的η值。由此,能够基于S1步骤建立的模型与需要进行电路建模的模拟电路,快速获取所需的输出数据。
在步骤S2中,还包含如下步骤:
S201、基于需要进行电路性能建模的模拟电路,确定若干不同微调拓扑结构参数;
S202、结合各微调拓扑结构参数与电路设计参数组合数据,形成统一的采样空间;
S203、基于各微调拓扑结构参数、电路设计参数组合以及它们的采样空间,采样形成大量不同的参数值组合,并将其分别转化为参数化电路网表;其中,采样的方法为拉丁超立方抽样方法;
S204、对参数化电路网表开展仿真,得到其对应电路性能的仿真数据。
一般而言,一旦拓扑结构发生改变,电路参数和电路性能之间的映射将会发生极大的变化,这意味着利用现有性能建模方法对调整前的电路拓扑建立的性能模型将无法适用于调整后的电路拓扑,需要重新花费大量时间建立新的性能模型来捕捉电路参数和电路性能间的新映射,与此不同的是,本实施例所提及的微调拓扑结构参数的目的并非将对应调整参数作为仿真集成模拟电路的测量参数,而是通过不同微调结构参数的探索和分析,快速找到模型收敛的方向,且各微调拓扑结构其拓展范围由其改变模拟电路拓扑结构的方式决定。所述微调拓扑结构参数是在需要进行电路性能建模的模拟电路拓扑结构参数基础上,通过添加、删减、变换某电路元器件的方式中的一种或几种实现拓扑结构参数微调。
如图2所示,图2为需性能建模的一种二级运算放大器的电路拓扑示意图。图3、图4分别为基于图2所进行结构微调的电路拓扑示意图;图3、图4中的虚框A、B为相对于图2的差异部分。其中图3增加了电阻R1,R2;图4增加了MOS管M01。
关于调整范围,比如需要进行多少个不同位置参数的调整,如何调整,需要通过人工分析,针对特定电路的拓扑结构参数确定,实际应用中,可针对重要关联位置进行多个数量的拓扑结构参数微调。该微调的目的在于掌握获知调整内容对于性能参数的影响,对于原始电路拓扑结构而言,并不改变其性能参数,避免了对原始电路拓扑结构更改后,还需结合更多如温度、工艺等不同参数组合情况的仿真,实现了多个微调拓扑结构参数快速了解参数选择的优化方向的目的。
与PCB尺寸级别的器件不同,模拟集成电路由于流片与测量验证的成本要远远高于PCB尺寸级别器件的实验数据的获得,限制了模拟集成电路设计过程电路设计参数组合所能得到的必要实验数据规模。结合仿真优化、微调拓扑结构与电路设计参数组合的统一采样,使得本电路性能建模方法能够快速聚焦到目标参数上,即使进行模型迭代,也只用相比现在流片次数少得多的次数即能实现,因为需要验证的参数组合已从不同角度优化过,减少了不必要的参数验证需求,单次实验流片的规模也相对现在流片的规模更小。
本实施例还提出了一种融合型电路性能建模的装置,包含第一模块、第二模块与第三模块;其中第一模块用于实现如上所述的一种融合型电路性能建模方法中,运行或实现电路图仿真性能参数模型的建立与仿真的功能;第二模块用于接收或传递所述实验数据;第三模块用于基于所述实验数据、仿真数据与电路设计参数组合数据,分析回归拟合关系以获得拟合参数,并建立回归模型函数;第一模块中,包含电路图仿真性能参数模型函数 为电路设计参数组合的矢量数据;所述第一模块的输出与第二模块的输出分别作为第三模块的输入。所述第二模块按照电路设计参数组合数据与实验数据的对应结构,接收所述实验数据。所述第一模块输出电路设计参数组合数据至第二模块,所述第二模块匹配或调整电路设计参数组合数据与实验数据的对应关系,以传递至第三模块。具体的,第一模块、第二模块与第三模块可以为软件,也可以为带有软件功能的计算机或类似计算装置,作为EDA工具逻辑,降低对模拟集成电路研发设计人员的经验知识要求,提升了研发效率。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (11)
1.一种融合型电路性能建模的方法,其特征在于:包含以下步骤:
S1、基于大规模仿真数据与电路设计参数组合数据,建立电路图仿真性能参数模型;
S2、基于特定电路设计参数组合进行实验流片;所述特定电路设计参数组合来自于电路图仿真性能参数模型/待迭代融合型电路性能参数模型的参数设计优化,或来自于人工定向选择;
S3、对实验流片成功后的芯片进行测试,产生实验数据;
S4、以所述实验数据为参考目标,特定电路设计参数组合为输入,计算回归模型的函数关系,形成融合型电路性能参数模型,以进行电路性能预测或评价;
所述电路设计参数组合包含元器件电性参数,还包含仿真电路所涉及的物理尺寸参数和/或PVT参数;所述PVT参数包含工艺漂移参数、电压参数与温度参数。
2.如权利要求1所述的一种融合型电路性能建模的方法,其特征在于:在步骤S4中,所述回归模型函数的函数关系为:
或
其中,为电路图仿真性能参数模型函数,/>为电路设计参数组合的矢量数据,/>为/>的子集;/>a0,/>b0,/>c0为通过数据拟合或方程求解确定的相关系数。
3.如权利要求2所述的一种融合型电路性能建模的方法,其特征在于:在步骤S1中,所述电路图仿真性能参数模型基于机器学习模型、人工智能模型或统计模型中的其中一种进行建立。
4.如权利要求3所述的一种融合型电路性能建模的方法,其特征在于:在步骤S1中,采用人工神经网络作为电路图仿真性能参数模型,并使用超参数优化方法实现自动建模。
5.如权利要求4所述的一种融合型电路性能建模的方法,其特征在于:在步骤S2中,设计优化的方法包含暴力枚举、进化算法、退火算法、列文伯格-马夸尔特法中的其中一种或者这些算法的结合。
6.如权利要求1所述的一种融合型电路性能建模的方法,其特征在于:在步骤S1中,还包含如下步骤:
S101、基于需要进行电路性能建模的模拟电路,确定若干不同微调拓扑结构参数;
S102、结合各微调拓扑结构参数与电路设计参数组合数据,形成统一的采样空间;
S103、基于各微调拓扑结构参数、电路设计参数组合以及它们的采样空间,采样形成大量不同的参数值组合,并将其分别转化为参数化电路网表;
S104、对参数化电路网表开展仿真,得到其对应电路性能的仿真数据。
7.如权利要求6所述的一种融合型电路性能建模的方法,其特征在于:所述微调拓扑结构参数是在需要进行电路性能建模的模拟电路拓扑结构参数基础上,通过添加、删减、变换某电路元器件的方式中的一种或几种实现拓扑结构参数微调。
8.如权利要求6所述的一种融合型电路性能建模的方法,其特征在于:采样的方法为拉丁超立方抽样方法。
9.一种融合型电路性能建模的装置,其特征在于:包含第一模块、第二模块与第三模块;其中第一模块用于实现如权利要求1至权利要求8任一项所述的一种融合型电路性能建模方法中,运行或实现电路图仿真性能参数模型的建立与预测的功能;第二模块用于接收或传递所述实验数据;第三模块用于基于所述实验数据、仿真数据与电路设计参数组合数据,分析回归拟合关系以获得拟合参数,并建立回归模型函数;第一模块中,包含电路图仿真性能参数模型函数为电路设计参数组合的矢量数据;所述第一模块的输出与第二模块的输出分别作为第三模块的输入。
10.如权利要求9所述的一种融合型电路性能建模的装置,其特征在于:所述第二模块按照电路设计参数组合数据与实验数据的对应结构,接收所述实验数据。
11.如权利要求10所述的一种融合型电路性能建模的装置,其特征在于:所述第一模块输出电路设计参数组合数据至第二模块,所述第二模块匹配或调整电路设计参数组合数据与实验数据的对应关系,以传递至第三模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311839353.6A CN117787179B (zh) | 2023-12-28 | 2023-12-28 | 一种融合型电路性能建模的方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311839353.6A CN117787179B (zh) | 2023-12-28 | 2023-12-28 | 一种融合型电路性能建模的方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787179A CN117787179A (zh) | 2024-03-29 |
CN117787179B true CN117787179B (zh) | 2024-06-07 |
Family
ID=90398104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311839353.6A Active CN117787179B (zh) | 2023-12-28 | 2023-12-28 | 一种融合型电路性能建模的方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787179B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829248A (zh) * | 2019-03-04 | 2019-05-31 | 苏州尼昂科技有限公司 | 水泵的性能参数的确定方法、装置和电子设备 |
CN114692499A (zh) * | 2022-03-30 | 2022-07-01 | 北京时代民芯科技有限公司 | 一种基于机器学习的集成电路芯片寿命的评估方法与系统 |
WO2023206281A1 (zh) * | 2022-04-25 | 2023-11-02 | 杭州法动科技有限公司 | 一种模拟电路的快速仿真优化方法及其系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559369B (zh) * | 2013-09-14 | 2016-08-17 | 西安电子科技大学 | 一种基于cad蒙特卡洛分析的电路成品率估算方法 |
US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
WO2015143127A1 (en) * | 2014-03-19 | 2015-09-24 | Actiwave Ab | Non-linear control of loudspeakers |
CN110147827B (zh) * | 2019-04-25 | 2021-04-30 | 北京航空航天大学 | 一种基于iaalo-svm与相似性度量的故障预测方法 |
CN112685961B (zh) * | 2021-01-12 | 2022-06-21 | 武汉大学 | 一种模拟电路的剩余使用寿命预测方法及系统 |
WO2023187117A1 (en) * | 2022-04-01 | 2023-10-05 | Five AI Limited | Simulation-based testing for robotic systems |
CN114722760A (zh) * | 2022-04-22 | 2022-07-08 | 广州大学 | 一种辅助电路参数优化的spice电路网表生成方法 |
CN115238620A (zh) * | 2022-06-24 | 2022-10-25 | 河南科技大学 | 一种响应曲面结合支持向量回归机的复合算法辅助模拟ic设计方法 |
CN117422005B (zh) * | 2023-12-19 | 2024-03-29 | 杭州四维映射软件有限公司 | 一种模拟电路仿真误差自动控制的方法及应用 |
CN117473931B (zh) * | 2023-12-28 | 2024-04-05 | 贝叶斯电子科技(绍兴)有限公司 | 一种基于模拟ic拓扑结构微调的电路性能建模方法与装置 |
-
2023
- 2023-12-28 CN CN202311839353.6A patent/CN117787179B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829248A (zh) * | 2019-03-04 | 2019-05-31 | 苏州尼昂科技有限公司 | 水泵的性能参数的确定方法、装置和电子设备 |
CN114692499A (zh) * | 2022-03-30 | 2022-07-01 | 北京时代民芯科技有限公司 | 一种基于机器学习的集成电路芯片寿命的评估方法与系统 |
WO2023206281A1 (zh) * | 2022-04-25 | 2023-11-02 | 杭州法动科技有限公司 | 一种模拟电路的快速仿真优化方法及其系统 |
Non-Patent Citations (2)
Title |
---|
Bayesian model fusion: a statistical framework for efficient pre-silicon validation and post-silicon tuning of complex analog and mixed-signal circuits;Li X;《2013 IEEE/ACM International Conference on Computer-Aided Design (ICCAD)》;20131231;795-802 * |
彭军.《传感器与检测技术》.西安电子科技大学出版社,2003,387-388. * |
Also Published As
Publication number | Publication date |
---|---|
CN117787179A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255160B (zh) | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 | |
US8005660B2 (en) | Hierarchical stochastic analysis process optimization for integrated circuit design and manufacture | |
US7243320B2 (en) | Stochastic analysis process optimization for integrated circuit design and manufacture | |
McConaghy et al. | Variation-aware design of custom integrated circuits: a hands-on field guide | |
Liu et al. | Remembrance of circuits past: macromodeling by data mining in large analog design spaces | |
Maricau et al. | Efficient variability-aware NBTI and hot carrier circuit reliability analysis | |
TW201917613A (zh) | 半導體裝置製程 | |
CN109491216B (zh) | 一种优化光刻工艺参数的方法 | |
US20230195986A1 (en) | Method for predicting delay at multiple corners for digital integrated circuit | |
Bounceur et al. | Estimation of analog parametric test metrics using copulas | |
US10789406B1 (en) | Characterizing electronic component parameters including on-chip variations and moments | |
JP5044635B2 (ja) | 回路動作の最悪条件決定システム、方法およびプログラム | |
US8813006B1 (en) | Accelerated characterization of circuits for within-die process variations | |
CN117787179B (zh) | 一种融合型电路性能建模的方法与装置 | |
CN115688641A (zh) | 一种表征标准单元片上变化参数的方法与系统 | |
Severo et al. | Automatic synthesis of analog integrated circuits including efficient yield optimization | |
CN116611386A (zh) | 将局部穿线电阻变换成全局分布电阻 | |
US8185369B2 (en) | Method and apparatus for characterizing properties of electronic devices depending on device parameters | |
CN113408226B9 (zh) | 一种基于深度学习的芯片供电网络凸块电流估算方法及系统 | |
Yang et al. | Fast, robust DC and transient fault simulation for nonlinear analogue circuits | |
CN114239465A (zh) | 一种基于缩放方差采样的近阈值电路延时估计方法 | |
JP2023513754A (ja) | リーク電流に統計的ばらつきをもつダイナミックランダムアクセスメモリパストランジスタの設計 | |
CN108614904B (zh) | 基于仿真数据相关性的集成电路参数成品率快速分析方法 | |
CN118033385B (zh) | 集成电路器件的紧凑模型参数提取模型的构建方法及应用 | |
US11669667B2 (en) | Automatic test pattern generation (ATPG) for parametric faults |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |