JPWO2007091359A1 - ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム - Google Patents

ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム Download PDF

Info

Publication number
JPWO2007091359A1
JPWO2007091359A1 JP2007557743A JP2007557743A JPWO2007091359A1 JP WO2007091359 A1 JPWO2007091359 A1 JP WO2007091359A1 JP 2007557743 A JP2007557743 A JP 2007557743A JP 2007557743 A JP2007557743 A JP 2007557743A JP WO2007091359 A1 JPWO2007091359 A1 JP WO2007091359A1
Authority
JP
Japan
Prior art keywords
matrix
variation
model
parameter
predetermined
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.)
Granted
Application number
JP2007557743A
Other languages
English (en)
Other versions
JP5006214B2 (ja
Inventor
竹内　潔
潔 竹内
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP2007557743A priority Critical patent/JP5006214B2/ja
Publication of JPWO2007091359A1 publication Critical patent/JPWO2007091359A1/ja
Application granted granted Critical
Publication of JP5006214B2 publication Critical patent/JP5006214B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)
  • Metal-Oxide And Bipolar Metal-Oxide Semiconductor Integrated Circuits (AREA)

Abstract

本発明の目的は、ばらつきを詳細に考慮したシミュレーションを効率的に実施することができる、ばらつきシミュレーション・システムを提供することである。複数の対象デバイスについて、その特性のばらつきを統計的に分析した結果を取得するばらつき分析部１００と、対象デバイスを模擬するシミュレーション用モデルについて、特性がパラメータの変動に対してどのような応答を示すかを分析した結果を取得するモデル分析部２００と、ばらつき分析部１００とモデル分析部２００によって得られた結果をつき合わせ、モデルによって対象デバイスのばらつきを再現するためのパラメータのばらつかせかたを決定するフィッティング実行部３００と、フィッティング実行部３００によって決定された、パラメータのばらつかせ方の情報を出力する結果出力部５００とを備える。応答行列の擬似逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで、変換行列を決定する。

Description

本発明は、ばらつきシミュレーション・システム、ばらつきシミュレーション方法およびばらつきシミュレーション・プログラムに関し、特に電子回路における特性ばらつきを効率的に模擬するのに好適なばらつきシミュレーション・システム、ばらつきシミュレーション方法およびばらつきシミュレーション・プログラムに関する。
ＣＭＯＳ回路などの電子デバイスを用いた回路の設計において、回路シミュレーションが広く利用されている。回路シミュレーションにおいては、電子デバイスの特性（例えば電流対電圧特性、容量対電圧特性など）を、数式（モデル式、通常複数の式から成る）によって記述する。これら数式は、パラメータと呼ばれる変更可能な定数群を含む。回路シミュレーションを実行するには、まず、モデル式が、実際のデバイス特性を、ほぼ正確に再現するように、これらモデルのパラメータの値を決定しなければならない。この作業を「パラメータ抽出」と呼び、こうして決定されたパラメータの一式、あるいはそれに対応した特定デバイスのモデルを、本明細書では「デバイス・モデル」または、単に「モデル」と呼ぶことにする。なお、モデル式によって規定される、デバイス特性の表現の仕方を、特定デバイスのモデルとは区別して「モデル基盤」と呼ぶことにする。
電子デバイスの特性には、製造上のばらつきによる特性の変動、言い換えれば、不確定性が存在する。従って、回路の設計は、デバイス特性がある程度変動しても回路が正常に動作するようなされる必要がある。
この問題に対応するため、特に、大規模な論理回路の設計においては、デバイスのばらつきを以下のように取り扱うのが通例である。すなわち、平均的なデバイスのモデルに加えて、考え得る最大限に特性が変位した「コーナー・モデル」を準備する。例えば、駆動能力が最も高くばらついたデバイス（これを使用すると動作が速くなる）と、駆動能力が最も低くばらついたデバイス（これを使用すると動作が遅くなる）を想定し、それぞれについて、デバイス・モデル（高速モデルと低速モデル）を用意する。そして、これら高速モデルと低速モデルのいずれのモデルを用いても動作するように、余裕（マージン）を持たせて、回路を設計することで、デバイス特性がばらついても安定に動作する回路を実現する。
上記したコーナー・モデルによる方法は、ばらつきを簡便に取り扱う方法であるが、ばらつきが回路に与える影響を、より精密に検討する以下のような手法が、例えば非特許文献１、非特許文献２に開示されている。まず、ばらつきによって特性がそれぞれ異なるＮ個のデバイス（試料）を用意し、それらの特性を測定する。
特に非特許文献１では、ばらつき現象を考慮したデバイス・シミュレーションによって、Ｎ個のデバイスを生成しており、測定は、計算機によって模擬している。
次に、それぞれのデバイスに対して、パラメータ抽出を行い、N個のデバイス・モデルを得る。
最後に、Ｎ個のモデルそれぞれを用いて、回路シミュレーションを行い、回路特性がどのようにばらつくかを検討する。
または、非特許文献２に記載されたように、得られたN個のデバイス・モデルのパラメータを統計的に処理して、モデルのパラメータのばらつき方を調べ、その情報に基づいて統計的なシミュレーションを実施しても良い。
B. J. Cheng他著、「Integrating ‘atomistic’, intrinsic parameter fluctuations into compact model circuit analysis」、33rd Conference on European Solid-State Device Research (ESSDERC 2003) 予稿集、2003年9月16日、pp.437-440。
J. Carroll他著、「FET Statistical Modeling Using Parameter Orthogonalization」、IEEE Transactions on Microwave Theory and Techniques, Vol.44、1996年、pp.47-55。
上記した非特許文献１および２に開示された従来の手法は、下記記載の問題点を有している。
非特許文献１および２に記載の方法は、ばらつきを、コーナーモデルによるよりも、詳細に考慮したシミュレーションを実行することを目的とする。そして、その準備として、ばらつきにより特性が異なるN個のデバイスそれぞれについて、デバイス・モデルを得ている。
デバイス・モデルを決定するためのパラメータ抽出作業は、通常、試行錯誤によるフィッティング作業となり、大きな労力を要する。労力が大きなパラメータ抽出作業を多数回（Ｎ回）繰り返すことは、大きな負担であり、このことが、ばらつきを詳細に考慮したシミュレーションの実現の障害となっていた。
本発明の目的は、上記した問題を解決し、ばらつきを詳細に考慮したシミュレーションを効率的に実施することができる、ばらつきシミュレーション・システム及び方法並びにプログラムを提供することにある。
本発明は、上記目的を達成するため、大略、以下の通りの構成とされる。
本発明に係るばらつきシミュレーション・システムは、物理現象を反映する特性値の統計的性質が、前記物理現象を模擬するモデルによって再現されるように、前記モデルによって模擬された特性値の所定のパラメータに対する応答情報を基に、前記所定のパラメータのばらつき方を決定する、ことを特徴とする。
本発明に係るばらつきモデル決定装置は、物理現象を反映する特性値について統計的性質を抽出する手段と、前記物理現象を模擬するモデルによって模擬された特性値について所定のパラメータへの応答を分析する手段と、前記応答の分析結果を基に、前記統計的性質が、前記モデルによって再現されるように、所定のパラメータのばらつき方を決定する手段と、を有する。
本発明に係るばらつきモデル決定方法は、コンピュータ・システムを用いてばらつきモデルを決定する方法であって、
物理現象を反映する特性値について統計的性質を抽出する第１の工程と、
前記物理現象を模擬するモデルによって模擬された特性値について所定のパラメータへの応答を分析する第２の工程と、
前記応答の分析結果を基に、前記統計的性質が、前記モデルによって再現されるように、所定のパラメータのばらつき方を決定する第３の工程と、
を有する。
本発明に係るコンピュータ・プログラムは、
物理現象を反映する特性値について統計的性質を抽出する第１の処理と、
前記物理現象を模擬するモデルによって模擬された特性値について所定のパラメータへの応答を分析する第２の処理と、
前記応答の分析結果を基に、前記統計的性質が、前記モデルによって再現されるように、所定のパラメータのばらつき方を決定する第３の処理と、
を実行させるプログラムよりなる。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、前記統計的性質を主成分分析によって決定する、ことを特徴とする。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、前記所定のパラメータを変位させたときの模擬された特性値の変位を計算することで前記応答情報を決定する。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、前記所定のパラメータのばらつき方を決定する手段は、応答行列と変換行列の積を特異値分解した結果と、特性値の主成分分析した結果と、を一致させるようにして、所定のパラメータのばらつき方を決定する。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、前記決定された所定のパラメータのばらつき方に基づき、シミュレーションを実行するシミュレーション実行部をさらに有する。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、特性値と、模擬された特性値がともに同一の変換を受ける。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、前記所定のパラメータのばらつき方を、直接解法により決定する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、原因パラメータと、前記モデルに含まれるパラメータと、を関係付ける係数又は変換行列を、前記主成分分析の結果への回帰分析により決定する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、応答行列の擬似逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで変換行列を決定する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、応答行列の逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで、変換行列を決定するようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、応答行列の擬似逆行列と、主成分ベクトルから成る行列と、を掛けあわせることで、変換行列を決定する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、応答行列の逆行列と、主成分ベクトルから成る行列と、を掛けあわせることで、変換行列を決定する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、直接法の結果を初期値として、探索法をさらに行うようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、パラメータの統計的性質の少なくとも一部が所定の条件を満足するよう、所定のパラメータのばらつき方を決定する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、原因パラメータをモデルパラメータへ変換する変換行列の試行値に所定の制約条件を課すようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、パラメータの統計的性質の少なくとも一部が所定の条件を満足するよう、変換行列の試行値に所定の制約条件を課す、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、パラメータの主成分分析により変換行列の試行値を決定する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、モデルのパラメータを、他のパラメータの関数とみなすパラメータ変換を行う、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、原因パラメータの数が、変化させるモデルのパラメータの数より少ない、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、前記変換行列は、原因パラメータをモデルパラメータへ変換する行列よりなる。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、
Ｒをｎ’行ｍ列の応答行列、
Ｖを特性値に関するｎ’行ｎ’列の共分散行列、
ＧをＭ次元ベクトルの標準偏差１に規格化された原因パラメータをｍ次元ベクトルのモデルパラメータへ変換するｍ行Ｍ列の変換行列、
ＬをＶのＭ列の固有ベクトルを固有値の大きさの順に１列目から並べたｎ’行Ｍ列の行列、
Σを対角要素にＶの固有値λ１、λ２、・・・λMの平方根√λ１、√λ２、・・・√λMを配置したＭ行Ｍ列の対角行列とし、
等式ＶＬ＝ＬΣ２が成り立ち、
ＲＧ＝ＬΣＵT（ただしＵはユニタリ行列、Tは転置）なる関係が少なくとも近似的に成立する行列Ｇを決定することでばらつきモデルを決定するにあたり、
Ｕを任意のユニタリ行列として、
ＲＧの各列がＬΣＵTの各列に近似的に一致するようにＧの各列を決定するという直接法で求める、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、線形回帰分析により、Ｇ＝（ＲTＲ）-1ＲTＬΣ
にて変換行列Ｇを求める、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、
Ｕを任意のユニタリ行列とし、
線形回帰分析により、Ｇ＝（ＲTＲ）-1ＲTＬΣＵT
にて変換行列Ｇを求める、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、直接法で得られた規格化された変換行列Ｇに対して、ＲＧ＝Ｌ１Σ１Ｕ１ T（ただし、Ｌ1は各列が長さ１のｎ’行M列の直交行列、Σ１はＭ行Ｍ列の対角行列、Ｕ1はＭ行Ｍ列のユニタリ行列）に特異値分解する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、直接法で得られた規格化された変換行列Ｇを、試行値とし、ＲＧ（ただし、Ｇは前記試行値のＧ）を特異値分解し、実際のばらつきと再現したばらつきの主成分ベクトルＬΣとＬ１Σ１の一致の度合いを調べ、所定の一致条件を満たす場合、行列Ｇの試行値を求めるＧとし、不一致の場合、Ｇの別の試行値を選択して再試行する、探索法により、Ｇを求める、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、
Ｒをｎ’行ｍ列の応答行列、
Ｖを特性値のｎ’行ｎ’列の共分散行列、
ＧをＭ次元ベクトルの標準偏差１に規格化された原因パラメータをｍ次元ベクトルのモデルパラメータへ変換するｍ行Ｍ列の変換行列、
ＬをＶのＭ列の固有ベクトルを固有値の大きさの順に第１列から並べたｎ’行Ｍ列の行列、
Σを対角要素にＶの固有値λ１、λ２、・・・λMの平方根√λ１、√λ２、・・・√λMを配置したＭ行Ｍ列の対角行列とし、
等式ＶＬ＝ＬΣ２が成り立ち、
ＲＧ＝ＬΣＵT（ただしＵはユニタリ行列、Tは転置）なる式を解くにあたり、
Ｇの試行値を選択し、
ＲとＧの積を、
ＲＧ＝Ｌ１Σ１Ｕ１ T（ただし、Ｌ1は各列が長さ１のｎ’行M列の直交行列、Σ１はM行M列の対角行列、Ｕ1はＭ行Ｍ列のユニタリ行列）に、特異値分解し、
実際のばらつきと再現したばらつきの主成分ベクトルＬΣとＬ１Σ１の一致の度合いを調べ、所定の一致条件を満たす場合、行列Ｇの試行値を求めるＧとし、不一致の場合、Ｇの別の試行値を選択して再試行する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、原因パラメータの標準偏差を１に規格化して処理を行う、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、
規格化された変換行列をＧとするとき、Ｇ＝Ｇ’Ｓ'（ただし、Ｓ'は対角要素に原因パラメータの標準偏差σ１、σ２、・・・σMを配置したＭ行Ｍ列の対角行列）なる関係を満足するＧ'を変換行列とする、構成としてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、
規格化された変換行列Ｇを、
Ｇ＝Ｇ'' ＳＵ２ T、
（ただし、Ｇ''は各列が長さ１のｍ行Ｍ列の直交行列、Ｕ２はＭ行Ｍ列のユニタリ行列、Ｓは対角要素に特異値ｓ1、ｓ2、・・・、ｓMを配したＭ行Ｍ列の対角行列）、に特異値分解し、変換行列の各列が長さ１で互いに直交するようにＧ''を変換行列として選択する、ようにしてもよい。
本発明のばらつきモデル決定装置、方法、プログラムにおいては、モデルパラメータの共分散行列Ｖｐについて、
ＶpＬp＝ＬpΣp 2 （ただし、ＬpはＶpの固有ベクトルを固有値の大きさの順に１列目から並べたｍ行ｍ列の直交行列、Σpは対角要素にＶpの固有値μ1、μ２、・・・μｍの平方根√μ1、√μ２、・・・√μｍを配したｍ行ｍ列の対角行列）に特異値分解し、
ＬpΣp、またはＬpΣpのうち固有値の大きい一部の列を選択して得られる行列、を規格化された変換行列Ｇの試行値とする、ようにしてもよい。
本発明によれば、ばらつきを考慮した回路シミュレーションを実施するのに必要な、ばらつきモデルを、高速に決定することができる。
本発明による第１の実施形態の構成を示すブロック図である。 本発明による第１の実施形態の動作を説明するためのデバイス特性の具体例である。 本発明による第１の実施形態の動作を説明するためのデバイス特性の具体例である。 本発明による第１の実施形態の動作を説明するための変換されたデバイス特性の具体例である。 発明による第１の実施形態の動作を説明するためのフローチャートである。 発明による第１の実施形態の動作を説明するためのフローチャートである。 本発明による第１の実施形態の動作を説明するための、主成分の標準偏差の具体例である。 本発明による第１の実施形態の動作を説明するための、主成分の方向ベクトルの具体例である。 本発明による第１の実施形態の動作を説明するための、主成分の標準偏差の具体例である。 本発明による第１の実施形態の動作を説明するための、主成分の方向ベクトルの具体例である。 本発明による第２の実施形態の構成を示すブロック図である。
符号の説明
１００ ばらつき分析部
２００ モデル分析部
３００ フィッティング実行部
４００ シミュレーション実行部
５００ 結果出力部
９０１、９０２ ばらつきシミュレーション・システム
次に、本発明の実施の形態について図面を参照して詳細に説明する。
図１を参照すると、本発明の第１の実施の形態に係る、ばらつきシミュレーション・システム９０１は、ばらつき分析部１００と、モデル分析部２００と、フィッティング実行部３００と、結果出力部５００と、を備えている。
ばらつき分析部１００は、複数の対象デバイスについて、その特性のばらつきを統計的に分析した結果を取得する。
モデル分析部２００は、対象デバイスを模擬するシミュレーション用モデルについて、その特性がパラメータの変動に対してどのような応答を示すかを分析した結果を取得する。
フィッティング実行部３００は、ばらつき分析部１００とモデル分析部２００によって得られた結果をつき合わせ、モデルによって対象デバイスのばらつきを再現するためのパラメータのばらつかせかたを決定する。
結果出力部５００は、フィッティング実行部３００によって決定された、パラメータのばらつかせ方の情報を出力する。
本発明の第１の実施の形態において、ばらつき分析部１００は、ばらつきによって特性が変動している複数（Ｎ個とする）の対象デバイスについて、その特性データ（例えば電流対電圧特性、容量対電圧特性）を取得する。この特性データは、実際に作成されたＮ個のデバイスを測定することで、得ることができる。あるいは、ばらつき現象を考慮したプロセス・シミュレーション等を用いて計算機上にＮ個の模擬デバイスを形成し、デバイス・シミュレーションによって、これら模擬デバイスの特性を計算することによって、特性データを得ることができる。
また、本発明の第１の実施の形態において、上記した測定、あるいはプロセス／デバイス・シミュレーションは、別途実施し、その結果得られた特性データを、ばらつき分析部１００に与えるようにしても良い。あるいは、上記した測定、あるいはプロセス／デバイス・シミュレーションの機能を、ばらつき分析部１００が包含するようにしても良い。
ばらつき分析部１００は、上記した統計データを抽出する前に、必要に応じて、特性データを任意の関数を用いて変換する、特性変換を行うようにしてもよい。
ばらつき分析部１００は、上記したデバイスの特性データ（必要に応じて特性変換を施した後のデータ）について、統計分析を行い、統計データを抽出する。この抽出手続きとしては、例えば主成分分析を用いることができる。
モデル分析部２００は、対象デバイスの代表的な特性を再現する回路シミュレーション用デバイス・モデル（中心モデル）を取得する。このモデルは、例えば、多数のデバイスの中から中心的な特性を示すデバイスを１個選択し、これに対して、従来のパラメータ抽出手続きを実行することによって、決定することができる。
このパラメータ抽出手続きは、別途実施し、その結果得られたパラメータの組をモデル分析部２００に与えるようにしても良い。あるいは、このパラメータ抽出手続きを実行する機能をモデル分析部２００に包含するようにしても良い。
モデル分析部２００は、所定の一つまたは複数のパラメータの変動に対して、回路シミュレーションによって計算されるデバイス特性がどれだけ変動するかを決定する。すなわち、モデル分析部２００は、パラメータの変化に対するデバイス特性の応答を計測する。ただし、ばらつき分析部１００において、上記した特性変換を実施する場合には、同一の特性変換を施した後のデバイス特性について応答を決定する。
上記した所定のパラメータとしては、中心モデルを構成する回路シミュレーション用モデル・パラメータから選択して用いることができる。あるいは、必要に応じて、パラメータ変換を実施し、元々の回路シミュレーション用パラメータとは異なるパラメータとしても良い。
以上により、所定のパラメータに対する変換後の特性データの応答を表現する応答行列を得る。
以上の説明では、モデル分析部２００が自らデバイス・モデルを取得し、それを用いてモデルの応答を計算する構成としたが、モデルの応答をなんらかの手段で取得できるならば、その手法は、かかる構成に限定されない。すなわち、モデル分析部２００は、任意の手段で、モデルの応答を取得できれば良い。
モデルの応答の決定は、あるデバイス・モデルに対して一回実施し、その結果を保存しておけば、繰り返し実施する必要はない。よって、すでにモデルの応答が知られている場合、それをモデル分析部２００が読み込むようにすれば良い。
また、モデルの応答を決定する一連の作業のうち一部（例えばパラメータを変動させたシミュレーションの実行）または全部を別途実施しておき、その結果をモデル分析部２００が読み込んで利用するようにしても良い。
フィッティング実行部３００は、ばらつき分析部１００によって求められたデバイス特性のばらつき方が、上記したシミュレーション用モデルによってほぼ再現されるように、上記した所定のパラメータのばらつき方を決定する。このとき、モデル分析部２００により決定された、シミュレーション用モデルの応答に関する情報を利用する。
上記した所定のパラメータのばらつき方の決定は、ばらつきの原因と看做される一つまたは複数のパラメータ（以後、「原因パラメータ」と呼ぶ）のばらつきの大きさと、前記所定のパラメータと原因パラメータとを関係付ける関数式と、を決定することにより達成できる。
次に、図１及び図２等を参照して、本実施の形態の全体の動作について詳細に説明する。本発明の実施形態は多様であるが、説明を容易にするため以下では、具体例を取り上げながら説明する。
ばらつき分析部１００は、Ｎ個のデバイス特性データを取得する。これは、例えば、ユーザの指示に基づいて、特性データが格納された所定のファイルを読み込むことで実現する。このような特性データは、例えば別途実デバイスを測定し、その結果を所定の形式でファイルに保存しておくことで用意することができる。
典型的かつ好ましいデバイス特性データの一例は、所定の複数（ｎ個とする）のバイアス条件における測定データ値（電流値、容量値など）から成る。この場合、バイアス点数ｎに、デバイス個数Ｎを乗じた数の要素を有する数値リストである。ここで、ｉ番目のバイアス条件における測定値を確率変数と看做し、これをｙiと記載することにする。Ｎ個の各デバイスに対するｙiの具体的値は、確率変数ｙiの標本値と看做す。
以上のようなデバイス特性データの実例を、図２及び図３に示す。図２と図３は、同じデータを示しているが、縦軸が、図２では、線形目盛り、図３では、対数目盛りとなっている。
図２及び図３は、ｎチャネルＭＯＳＦＥＴのドレイン−ソース間電流IDSを測定したものであって、バイアス条件としては、ドレイン−ソース間電圧VDSを1V、基板−ソース間電圧VBSを0V、ゲート−ソース間電圧VGSを、-0.2Vから1.0Vまで0.05V刻みで変化させている。多数の曲線は、それぞれ別々の同一に設計されたＭＯＳＦＥＴの特性を表しており、これらが広がりを持っているのは、ばらつきの結果である。
グラフの各曲線は、VGSの刻み幅が小さいため、連続的に見えるが、実際は、横軸方向に、25点の離散的なデータから成っている（すなわちｎ=25である）。
この例では、ｉ番目のバイアス条件におけるIDSが、確率変数ｙiであり、ばらつきによってｙiの標本値であるＮ個のIDS測定値は、統計的にばらつく。
ばらつき分析部１００は、さらに必要に応じて、確率変数に特性変換を施す。式で書くと、変換後の確率変数をｙi’として次式(1)の変換を行う。

Figure 2007091359
(1)
最も単純な特性変換の方法は、各ｙiを所定の定数で除したものをｙi’とする方法である。
この定数としては、ｙiの平均値やｙiの標準偏差値を用いることができる。これにより特定のｉにおけるばらつきが過大に、あるいは過小に評価されないよう、各ｉにおけるデータの重みを調整することができる。
図３の実例に対する、一つの好ましい変換式は、次式(2)で与えられる。

Figure 2007091359
(2)
ここで、aとbは、定数である。
図４に、a=0.3mA、b=1nAとして、この変換を施した後のｙi’のVGSとの関係を示す。
式(2)の変換が好ましい理由は、以下の通りである。
図２を参照すると、VGSが大きいとき（ＭＯＳＦＥＴが導通状態のとき）のIDS（すなわちｙi）の変動は大きいが、VGSが小さいとき（ＭＯＳＦＥＴが遮断状態のとき）のIDS（すなわちｙi）の変動は、図面上ほとんど判別できない。
従って、ｙiそのものについて統計分析を行うと、遮断状態でのばらつきの情報がほとんど失われる。
一方、縦軸を対数目盛りとした図３を参照すると、遮断状態であっても、微小な漏れ電流が存在し、その大きさが対数目盛りで大きく変動していることがわかる。
このような遮断状態でのばらつきを精度良くシミュレーションしたい場合に、確率変数として、ｙiそのものを用いるのは、適切ではない。
一方、図４を参照すると、式(2)の変換を施した結果、ｙi’が導通状態と遮断状態でほぼ同等の変動を示している。
従って、式(2)を用いると、導通状態でのばらつきと、遮断状態でのばらつきを同等の重みで取り扱うことができる。
以上のように、変換式(1)は、ばらつきについて重視すべきバイアス条件において、ｙiの変動が大きくなるように、適宜選べば良く、場合によっては、変換を行わなくても良い（すなわちｙi’= ｙiとする）。
図２及び図３の例についてみると、式(2)は、導通状態と遮断状態を同等に重視する場合に適し、遮断状態のばらつきを無視しても構わない場合には、変換を行わなくても良い。
このように、特性変換の方法を指定することで、デバイス特性のどの部分のばらつきを重視してシミュレーションを実施するか、というシミュレーション方針をユーザが決定することができる。
特性変換後の確率変数の数ｎ’は、ｎと等しくなくても良い。例えば、測定されたデータのバイアス点数ｎが不必要に大きく、後の処理に支障がある場合には、この変換時に、データを、適宜、間引いても良い。
また、変換後の確率変数を、しきい値電圧やオン電流（所定の導通バイアス状態でのIDS）など、測定データから抽出可能な任意の特徴量としても良い。
ばらつき分析部１００は、確率変数ｙi’に関して、統計的分析を行い、統計的特徴を抽出する。
その手法としては、主成分分析法を利用することができる。具体的には、まず、次式(3)の特性値の共分散行列Vを計算する。

Figure 2007091359
(3)
ここで、確率変数上の横線は、その下の確率変数について平均をとることを表す。
さらに、共分散行列Ｖの固有値と固有ベクトル（次式(4)を満足する）を適当な固有値分解アルゴリズムによって求める。

Figure 2007091359

(4)
ここで、λ1, λ2, … は固有値であり、対応して左右両辺にある列ベクトルが、その固有値に対応する固有ベクトルである。
固有値は、大きいほうからこの順でソートしておく。固有ベクトルの長さは１に規格化しておくものとする。固有値と固有ベクトルの組は、最大でｎ’個存在する。
このとき、次式(5)で与えられるｚ1は、確率変数の組ｙi’（ｉ＝１、２、．．．ｎ’）の第一主成分と称され、その分散は、λ1に等しいことが知られている。

Figure 2007091359
(5)
また、次式(6)は、第二主成分であり、二番目に大きい分散λ2を持ち、以下同様に高次の主成分が定義される。

Figure 2007091359
(6)
異なる主成分どうしは、共分散がゼロ（互いに無相関）になる。
第ｉ固有ベクトルは、第ｉ主成分の方向を表す方向ベクトルであり、これに第ｉ主成分のばらつきの大きさ（標準偏差、すなわちλiの平方根）を乗じたものを、「第ｉ主成分ベクトル」と呼ぶことにする。異なる主成分ベクトルどうしは互いに直交するという性質がある。
主成分分析結果の一例を、図７及び図８に示す。図７において、横軸は主成分次数、縦軸は規格化された標準偏差（分散の平方根）である。
図７及び図８に示す例は、図２乃至図４に示した例において、他のバイアス条件を追加した全150のバイアス点（VDSは1V、0.525V、0.05Vのいずれか、VBSは0V、-0.5Vのいずれか、VGSは-0.2Vから1Vまで0.02V刻みのいずれか、であってこれらを任意に組み合わせたバイアス条件）でのデータを用いて計算した結果である。
図７において、「実測」と表記された白棒グラフが、実測データから得られた第一から第十までの主成分の標準偏差（分散の平方根、ただし第一主成分での値で規格化した）を示している。
また、バイアス点（横軸）と固有ベクトル成分の関係を示す図８において、「実測」と表記された実線のプロットが、実測データから得られた、第一から第三までの主成分に対応する固有ベクトルの成分を表している。ただし、見やすいように、第二主成分では、0.4、第三主成分は、0.8だけ、プロットを上方に移動している。
式(4)に示されるように、この例における固有ベクトルは、n’=n=150個の成分を有するベクトルとなる。
モデル分析部２００は、必要に応じて中心モデルを取得する。
デバイスの特性は、ばらつきによって変動するが、このばらつき範囲の中心に位置する、言い換えれば、典型的なデバイスの特性に対応するデバイス・モデルが、中心モデルである。
中心モデルは、多数のデバイスの中から中心的な特性を示すデバイスを１個選択し、これに対して、従来のパラメータ抽出手続きを実行することで、得ることができる。
次に、モデル分析部２００は、取得した中心モデルを基に、モデルに含まれる所定のパラメータに対する、回路シミュレーションによるデバイス特性値の応答を調べる。このとき、モデル分析部２００は、必要に応じて、回路シミュレータを駆動して結果を取得する。回路シミュレータをばらつきシミュレーションシステム９０１に包含するか、外部に用意するかは適宜選択することができる。
モデル分析部２００は、ｍ個の所定パラメータのそれぞれを、中心から所定量だけ変位させ、このときの回路シミュレーションによって計算されるデバイス特性値の変位を調べる。変位させるこれら所定パラメータは、実測されたばらつきを模擬するために、統計的にばらつかせるパラメータであって、任意に選択してよい。応答を調べるデバイス特性値は、ばらつき分析部１００で用いるデバイス特性値に相当するものとする。
例えば上記した実例に即するなら、実測したのと同じバイアス条件でシミュレーション計算された電流対電圧特性を用いる。
また、ばらつき分析部１００にて特性変換を行う場合は、これと同一の特性変換を行った後の特性値を用いる。
選択した所定パラメータに対するデバイス特性値の応答は、ｍ個の入力からｎ’個の出力が得られる変換であり、行列として表現することができる。
j番目のパラメータｐjを、所定変位量Δｐjだけ変位させたときの、ｉ番目の変換された特性値ｙi’の変位を計算し、これをΔｐjで除したものをｒijとする。ただし、i = 1,…,n’、j = 1,…,ｍである。
ｒijは近似的にｙi’のpｊによる偏微分に相当する。ｒijを第ｉ行ｊ列の要素とする行列Ｒを応答行列と定義する。

Figure 2007091359
(7)
上記した実例に沿って説明すると、例えば、ゲート長LGを所定パラメータの一つとするとき、まずLGを、ΔLG/2だけ小さくした状態で、回路シミュレーションによって、ＭＯＳＦＥＴの電流対電圧特性を計算して、各バイアス点における電流IDS（すなわちｙi）を計算し、さらに、式(1)あるいは式(2)による変換を行って、ｙi’を計算する。
また、LGをΔLG/2だけ大きくした状態で、同様の計算を行って、ｙi’を計算する。
さらに、後者の計算によるｙi’から、前者の計算によるｙi’を差し引いてｙi’の変位を求め、これをΔLGで除して式(7)の行列要素を決定する。
なお、ｙi’の変位を計算する場合、ｐjを中心値から正負両方向（-Δｐj/2と+Δｐj/2）に変位させて計算するのが良い。
以上の説明では、モデル分析部２００が自らデバイス・モデルを取得し、それを用いてモデルの応答を計算するとしたが、モデルの応答をなんらかの手段で取得できるならば、その手法はこれに限定されない。すなわち、モデル分析部２００が任意の手段でモデルの応答を取得できれば良い。
例えば、モデルの応答を決定する一連の作業のうち一部または全部を別途実施しておき、その結果を読み込んで利用することも可能である。より具体的には、モデル分析部２００が上記した応答行列Ｒの各要素を直接読み込むようすることができる。
このほか、モデル分析部２００が応答行列の各要素を計算するのに必要なデータ一式を読み込むようにすることができる。例えばモデル分析部２００は、パラメータｐjを所定変位量＋Δｐj／２と−Δｐj／２だけ変位させたときの特性値ｙiの、すべてのｉとｊの組合せにおける値一式を読み込み、これらデータを元に応答行列Ｒの各要素を計算するようにすることができる。
フィッティング実行部３００は、以上により決定された情報を基に、ばらつき分析部１００によって求められたデバイス特性のばらつき方が、シミュレーション用モデルによってほぼ再現されるように、上記した所定パラメータのばらつき方を決定する。
実際のばらつきをシミュレーション用モデルで再現するために、ここで「原因パラメータ」という概念を定義する。
原因パラメータとは、その統計的変動がデバイス特性の変動をもたらす原因となっていると看做されるパラメータである。
原因パラメータの数は任意に選択でき、その数が多ければ、より精密にばらつきを再現できる可能性がある。
互いに異なる原因パラメータは、互いに無相関にばらつくように選ぶのが良い。
なお、本明細書では、特記しない場合、単にパラメータと記載した場合は、原因パラメータではなく、モデルのパラメータを意味する。
原因パラメータの数（Ｍ個とする）は、通常ｎ’より小さいか等しくする。
回路のシミュレーションを行う場合、ばらつき空間の次元は、デバイスあたりの原因パラメータが増すほど増加し、回路解析の難度が増す。
従って、原因パラメータの数は、必要最小限とすることで、ばらつきを考慮したシミュレーションの実行がより容易となる。特に、大規模な系をシミュレーションする場合、原因パラメータの数は２以下であることが望ましく、特に１であればさらに望ましい。
一方、変化させるモデルのパラメータの数ｎ’は、多くてもあまり支障がないので、ばらつきモデルの精度を増すため、必要に応じて増やすのが良い。典型的には２個から数十程度とするのが良い。
原因パラメータを互いに無相関となるよう選ぶことにより、原因パラメータを乱数によって決定するモンテカルロ・シミュレーションの実行が容易となる。
特別な場合として、モデルのパラメータのいずれかが原因パラメータであっても良い。
さらに、モデルのパラメータと原因パラメータとは次式のような数式によって関係付けられるものとする。

Figure 2007091359
(8)
ここで、ｘiが原因パラメータである。原因パラメータが統計的にばらつくと、式(8)に基づいてモデルのバラメータがばらつき、さらにモデルによって表現される特性値がばらつく。
上記した所定のパラメータのばらつき方の決定は、原因パラメータのばらつきの大きさと、前記所定パラメータと原因パラメータとを関係付ける関数式(8)と、を決定することにより達成される。
所定のパラメータのばらつき方を規定する情報を、「ばらつきモデル」と呼ぶこととする。
フィッティング実行部３００は、原因パラメータのばらつきの大きさと、前記所定パラメータと原因パラメータとを関係付ける関数式(8)と、決定することで、ばらつきモデルを決定する（図５のステップS3）。
式(8)は一般的であり、その決定に任意性がありすぎる。そこで、実用的には、式(8)を線形近似して、次式の形に限定するのが好適である。


Figure 2007091359
(9)
ここで、Ｇ（変換行列と呼ぶことにする）は、定数を要素とする行列である。また、Δは中心値からの変位であることを表す。
これにより、式(8)の決定は、行列Gの各要素の決定に帰着される。
説明を簡単にするため、以降において特記しない場合、原因パラメータは、中心値がゼロであるものとして説明を行う。
すなわち、Δｘi＝ｘiであるものとする。ｘiの中心値をこのように限定することによって一般性は失われない。
なぜなら、式(９)はｘiに任意の定数を加算しても影響を受けないからである。
さらに、以降において特記しない場合、原因パラメータｘjのばらつきの大きさ（標準偏差）は１に規格化されているものとして説明を行う。
原因パラメータのばらつきの大きさを、このように、１に限定することによって、一般性は失われない。なぜなら、第ｊ番目の原因パラメータの標準偏差がKであったとき、この原因パラメータを1/K倍して、その標準偏差を１に規格化し、同時に、行列Ｇの第ｊ列をK倍すれば、式(9)によるモデルのパラメータのばらつき方が変化しない。すなわち、上記した、原因パラメータのばらつきがKである表現と、１である表現とは等価であって、原因パラメータのばらつきが１である場合に、他の場合を代表させることができる。なお、変換行列Ｇが、特に標準偏差が１に規格化された原因パラメータに対応することを明確にしたい場合に、Ｇを規格化された変換行列と呼ぶこととする。
フィッティング実行部３００は、式(9)の行列Gを例えば以下のように決定することができる。
式(4)は、第Ｍ番目までの主成分に着目すると、以下のような行列表記ができる。

Figure 2007091359
(10)
この表記を用いると、次式によりGを決定することができる。

Figure 2007091359
(11)
ここで、上付きのTはその左側の行列に掛かって、転置を意味する。上付きの-1はその左側の行列に掛かって、逆行列を意味する。行列R+は、行列Rの擬似逆行列と呼ばれる。
行列LとΣは、ばらつき分析部１００により用意される。
行列Rは、モデル分析部２００により用意される。これらの情報を基に、フィッティング実行部３００は式(11)によって変換行列Gを決定することができる。
結果出力部５００は、フィッティング実行部３００により、決定されたばらつきモデルの情報を出力する。
典型的には、変換行列Gの要素の一覧を出力する。この他に、行列Rや行列LΣの情報、フィッティングの精度などの参考情報を適宜出力することが望ましい。
結果出力部５００による出力情報に基づき、モンテカルロ・シミュレーションなどの回路シミュレーションを適宜実行することができる。
以上に述べた動作の流れ図を図５に示す。応答行列Rの決定ステップS1、特性値の統計分析（主成分分析）を実行するステップS2、ばらつきモデルを決定するステップS3、結果を出力するステップS4よりなる。
以下に、フィッティング実行部３００の動作を、図６を参照しつつ、さらに詳細に説明する。
図６（A）は、図５において、ばらつきモデルを決定するステップS3を、さらに詳細に記載したものである。
原因パラメータｘ1、ｘ2、．．．、ｘMを要素とする列ベクトルをｘと略記する。
また、特性値Δｙ1’、Δｙ2’、．．．、Δyn’を要素とする列ベクトルをｙと略記する。
原因パラメータの変動によって特性値がばらつくという状況は、線形近似すると次式で記述できる。

Figure 2007091359
(12)
ここで、Aはｎ’行Ｍ列の行列である。これを用いると、式(3)で定義される共分散行列Ｖは、次式のように変形できる。

Figure 2007091359
(13)
ここで、前述したように、ｘの各要素は平均ゼロ、標準偏差が１に規格化されているとしている。これを用いて、主成分分析を表す式(10)は、以下のように変形できる。

Figure 2007091359
(14)
ここで、行列Ｕは、任意のＭ行Ｍ列のユニタリ行列である。ユニタリ行列とは、列／行ベクトルの長さがすべて１かつ互いに直交する正方行列であり、長さを変えない座標の回転操作に対応する。変形においては、Ｌとその転置の積が単位行列に、Ｕとその転置の積が単位行列に、なることを利用している。
以上より、行列Ａが次式を満足するならば、実測されたばらつきが、原因パラメータのばらつきによって再現されることが判る。

Figure 2007091359
(15)
一方、式(7)および式(9)より以下の関係がある。

Figure 2007091359
(16)
ただし、パラメータの変位Δｐ1、Δｐ2、．．．、Δｐmを要素とする列ベクトルをΔｐと略記した。
以上より、ばらつきモデルの決定は、

Figure 2007091359
(17)
なる関係が近似的に成立する行列Gを決定するという問題に還元される。
この問題を解くための、本発明による一つの方法は、試行錯誤を用いた最適値探索を行う方法である。これを「探索法」と呼ぶことにする。この方法は以下の手順を行う（図６（A）参照）。
ステップ１：
行列Gの試行値を適宜選択する（図６（A）のステップS11）。
ステップ２：
RとG（試行値）の積を次の形に変形する。

Figure 2007091359
(18)
ここで、
Ｌ1は各列が長さ１で互いに直交する行列（ｎ’行Ｍ列）、
Σ1は対角行列（Ｍ行Ｍ列）、
Ｕ1はユニタリ行列（Ｍ行Ｍ列）
である。
行列を式(18)右辺の形に変形することは、「特異値分解」と呼ばれる（図６（A）のステップS12）。
ただし、Ｌ1、Σ1、Ｕ1はＲＧが決まると一意に決定される行列であって、式(17)におけるＬ、Σ、Ｕとは一般には異なる。
ステップ３：
LΣとＬ1Σ1とが近似的に一致するかを調べる（図６（A）のステップS13）。
所定の一致条件を満足していれば（図６（A）のステップS14のYES）、ステップ１で選択した行列Gの試行値を所望のGとして決定する（図６（A）のステップS15）。所定の一致条件を満足していなければ、ステップ１に戻る(図６（A）のステップS14のNO)。
式(17)において、Ｕは、任意のユニタリ行列である。
また、Ｕ1は特異値分解の定義よりユニタリ行列であることが保証されるから、ＵとＵ1の一致については考慮する必要がない。
上記した近似的一致の判定は、適当な評価関数を用いて行えばよい。その望ましい一例としては、LΣの第ｉ列ベクトル（第ｉ主成分ベクトル）と、Ｌ1Σ1の第ｉ列ベクトルと、の差（距離）の自乗を所定のｉの範囲で加算したものが挙げられる。
この評価関数は、フィッティングの誤差に相当する。このとき、ｉの範囲としては、例えば１から、ばらつきモデルによって再現したい最大の主成分次数まで、とすれば良い。
通常、Ｍ個の原因パラメータを使用すると、最大第Ｍ次の主成分までを再現できる可能性がある。従って、ｉの範囲としては１からＭまでとするのが自然である。
ステップ３においては、この評価関数が所定の誤差範囲内で最小値に到達した（最適解に到達した）ことをもって一致条件とすれば良い。
上記した方法では、着目する全主成分の誤差を単一の評価関数により表現し、これを最小化する、全体最適化問題を解いている。
そのために、評価関数の計算のたびに繰り返し特異値分解を行っている。特異値分解は、一般には直接解法では解けず、反復法によらなければならない。このため、上記した最適化はいわゆる非線形最適化の問題となる。最適化アルゴリズムは一般に試行錯誤を含む。
上記した全体最適値探索を行うと、ばらつきモデルが再現するばらつき（主成分ベクトルがL1Σ1）と、実際のばらつき（主成分ベクトルがLΣ）が、最も良く一致するＧ（式(17)を近似的に最もよく成立させるＧ）を探し出すことが可能である。
しかしながら、この方法には、決定すべき未知数が増えたときに、探索時間が長くなる傾向がある。
探索アルゴリズムとして、評価関数を逐次的にたどって、最適値を探索する準ニュートン法や滑降シンプレックス法などの手法を採用すれば、探索時間は比較的抑えられるが、真の最適点のほかに局所的に評価関数が極値をとる局所最適点が存在した場合、局所最適点を誤って真の最適点と判定してしまう恐れが高まる、という他の問題もある。
一方、局所最適点に陥りにくいシミュレーテッド・アニーリング法や、遺伝的アルゴリズムなど、試行錯誤にランダム性を取り入れた方法を用いると、探索時間が長くなる。
本発明による他の方法は、解くべき最適化問題を複数の小さな問題に分割し、直接解法により近似解を得る。直接解法を用いることで、上記した探索を不要とすることができる。これを「直接法」と呼ぶことにする。この直接法は、図６（B）にその処理ステップが示されている（ステップS21のGをLΣより直接計算）。
式(15)に着目すると、Uは任意のユニタリ行列であってよく、Uの選択によってばらつきモデルが再現するばらつきは変化しない。従って、ある結果をもたらすばらつきモデルを規定するGは一意ではない。しかしながら、実用上は、ばらつきモデルによって実際のばらつきが再現されれば、支障がないから、等価なGの中からいずれか一つのGを決定できれば良い。
そこで、Uを単位行列とし、次式を近似的に満足するGを決定できればよい。

Figure 2007091359
(19)
次に、式(19)の両辺の一致を、各列ごと独立に行う。すなわち、各列ごとの部分最適化によって、Ｇを決定する。具体的には、ＬΣの第１列（第１主成分ベクトル）が、ＲＧの第１列と近似的に一致するように、Ｇの第１列を決定する。
次に、ＬΣの第２列（第２主成分ベクトル）が、ＲＧの第２列と近似的に一致するよう、Ｇの第２列を決定する。
以下、必要とする次数の列までこれを繰り返す（行列演算としては、一度に計算できる）。
ここで、Gの各列は、ばらつきの各々の主成分とほぼ対応するように決定される。
上記したＧの第ｊ列の決定は、線形回帰分析の手法を応用することで実施することができる。
式(19)において、第ｊ列を決定する条件部分のみを書き下すと、次式のようになる。

Figure 2007091359
(20)
式(20)において、右辺を目的変数の実現値のリスト、Ｒの要素を説明変数の実現値のリスト（ある列が一つの説明変数に対応）と考えれば、線形回帰分析の問題と形式上全く同じ式の形をしている。
このとき、左右両辺の第ｉ行の値どうしの、差異の自乗をｉ＝１からｎ’まで加算した自乗誤差を最小化するよう、ｇ1j、ｇ2j、．．．、ｇmjを決定する方法は、線形回帰分析における最小自乗法の公式として知られている。
これを用いると、Ｇの第ｊ列ベクトルを次式により与えればよい。

Figure 2007091359
(21)
式(21)を第１列から第Ｍ列までまとめて行列で表すと、式(11)が得られる。
なお、以上においては、式(17)のＵを単位行列として説明したが、Ｕを他の任意のユニタリ行列としても良い。Ｕを任意のユニタリ行列としても、表現されるばらつきは変化しない。
よって、式(11)を次式(22)としてもよい。

Figure 2007091359
(22)
これによって得られるＧは変化するが、式(11)と等価なばらつきモデルが得られる。
式(18)の特異値分解によって得られるＬ1Σ1は、変換行列Ｇによって規定されるばらつきモデルが、再現する主成分ベクトルを与える。
直説法においても、得られたGによるばらつき再現の誤差を確認するため、図６に示すように、式(18)による特異値分解を少なくとも１回実行することが望ましい（図６（B）のステップS22参照）。
図７及び図８に、本発明の直接法による主成分の再現結果を示す。モデル基盤としては業界で一般的に利用されるＢＳＩＭ４を用いた。可変とするモデルのパラメータとしては、L、W、TOX、VTH、VOFF、U0、VSAT、K1、NDEP、RDSW、の１０個を選択した（ｍ＝１０）。原因パラメータの数も１０個としてフィッティングを行った（Ｍ＝１０）。
図７において、「フィッティング」と表記された灰色棒グラフが、実測データに対してフィッティングされた第一から第十までの主成分の標準偏差（分散の平方根、ただし第一主成分での値で規格化した）を示している。
すなわち、式(11)によって決定されたＧを用いて、式(18)の特異値分解を行い、その結果得られたΣ1の第１乃至１０対角成分を示している。
図８において、「フィッティング」と表記された、○、△、□のプロットが、実測データに対してフィッティングされた、第一から第三までの主成分に対応する固有ベクトルの成分を表している。すなわち、式(11)によって決定されたＧを用いて、式(18)の特異値分解を行い、その結果得られたＬの第１乃至3列ベクトルの要素を示している。
一方、対応する「実測」のプロットは、式(10)のΣの第１乃至１０対角成分、およびＬの第１乃至3列ベクトルの要素を示している。
図７と図８より、本発明の方法により、実測されたばらつき方を良好に再現したばらつきモデルが決定できることが判る。
図９及び図１０に、上記した探索法による、主成分の再現結果を示す。
図９において、「フィッティング」と表記された灰色棒グラフが、実測データに対してフィッティングされた第一から第十までの主成分の標準偏差（分散の平方根、ただし第一主成分での値で規格化した）を示している。
すなわち、式(18)の特異値分解を試行錯誤により、繰り返し行い、その結果得られた、誤差を最小とする最適なΣ1の第１乃至１０対角成分を示している。
図１０において、「フィッティング」と表記された、○、△、□のプロットが、実測データに対してフィッティングされた、第一から第三までの主成分に対応する固有ベクトルの成分を表している。すなわち、式(18)の特異値分解を試行錯誤により繰り返し行い、その結果得られた、誤差を最小とする最適なＬの第１乃至３列ベクトルの要素を示している。
なお、図９において、「実測」と表記された白棒グラフ、および図１０において「実測」と表記された実線のプロットは、それぞれ図７および図８と同一である。
図７および図８と、図９および図１０とは、ほとんど一致しており、両者とも良好なばらつき再現を達成している。ただし、この結果を得るのに要した計算時間は大幅に異なる。
この例においては、フィッティングによって決定すべき行列Ｇの要素の数は１００個と非常に多い。探索法では、このように未知数が増えると、所要時間が急激に増し、この例では、パーソナル・コンピュータにて、数時間を要した。一方、直接法による計算時間は事実上ゼロ（数秒以下）であった。
なお、決定すべき未知数が数個まであれば、両方法の所要時間に大差はなく、探索法であっても１分以下程度で探索は終了する。
本実施例では、本発明によるばらつき再現能力を示すため、原因パラメータを１０個用いて高次の主成分までフィッティングを行った。
ただし、実用上は、より少ない原因パラメータ数としても良い。この場合、高々原因パラメータ数までの主成分までしか再現することができない。しかしながら、高次の主成分は順次小さくなっていくから、原因パラメータの数を制限しても、実用上多くの場合支障がない。
直接法と探索法の結果を詳細に調べると、両者で、結果が微妙に異なっている。
フィッティング誤差の評価関数は、
・探索法では0.0971であるのに対し、
・直接法では0.1119であった。
すなわち、探索法によるほうが、直説法よりも誤差がわずかに小さく、探索法のほうがより良いフィッティングが得られている。
直接法では、主成分ごとに最適な解（部分最適解）を求めている。こうして得られる部分最適解を集めたものは、着目する全主成分に対する真の最適解（全体最適解）とは一般には異なる。一方、探索法では、真の最適解を直接探索するから、真の最適解に到達することが可能である。結果として、直説法による解は、探索法に劣る場合がある。しかしながら、結果の差異はわずかであり、実用上問題にならないレベルである。
さらに誤差を減少させるため、直接法によって得られた変換行列Ｇを出発点（Ｇの最初の試行値）として、さらに探索法を適用して、全体最適化を行っても良い。これにより、最初から探索法を行うよりも短時間で、探索法と同等に小さい誤差を実現することができる。
特別な場合として、応答行列Ｒに逆行列が存在する場合がある。ｎ’行ｍ列の応答行列Ｒに逆行列が存在するためには、ｎ’がｍに等しく、Ｒが正方行列であることが必要である。Ｒに逆行列が存在する場合、Ｒの擬似逆行列は、Ｒの逆行列と一致する。そして、式(11)によって決定されるＲは、式(19)を厳密に満足する。あるいは、式(22)によって決定されるＲは、式(17)を厳密に満足する。
さらに、直接法と探索法とは、原理的には同一のばらつきモデルを得られる。従って、Ｒに逆行列がある場合、直接法は、探索法に比べて特に優位となる。
本発明によるばらつき・モデルの決定は、個々のデバイスのパラメータ抽出を行わないという点で、従来法より極めて高効率であるが、中でも直説法は、フィッティング実行部３００の動作を高速化するため、特に高効率である。
通常、集積回路においては、多種多様な寸法のデバイスが利用される。それらは、通常、ばらつき方が同一ではなく、それぞれについて異なるばらつきモデルが必要とされることが多い。よって、多種多様なデバイスに対応したばらつきモデルを決定するために、フィッティング実行部３００は、極力高速に動作することが好ましい。
あるばらつきモデルの表現の仕方は一意ではなく、種々の等価な表現方法がある。どのような表現方法をとるかは、以下に例示するように、適宜選択することができる。
本明細書では、説明の都合上、多様な表現方法のうち適切なものを選択して説明を行っているが、このような選択は本発明の範囲の限定を意図したものではない。
すでに述べたように、原因パラメータのばらつきの大きさは１である必要はない。原因パラメータｘ1、ｘ2、．．．の標準偏差をすべて１とする代わりに、σ1、σ2、．．．とし、変換行列Gを次式(23)のようにG’に置き換えれば、等価なばらつきモデルが得られる。

Figure 2007091359
(23)
逆に、変換行列Ｇ'を次式(24)によりＧに置き換え、同時に原因パラメータの標準偏差をすべて１に規格化すれば、等価なばらつきモデルが得られる。このときＧは、規格化された変換行列である。

Figure 2007091359
(24)
探索法の説明において、原因パラメータの標準偏差を１と仮定し、探索においては、規格化した変換行列Ｇの要素を変化させながら探索するとした。しかし、変換行列Ｇ’の要素に加えて、原因パラメータの標準偏差σ1、σ2、．．．までも試行値として変化させることで探索法を実施しても良い。このときは、式(18)における規格化された変換行列Ｇを式(24)により与えればよい。
ただし、このとき、決定すべき未知数の数がＭ個増加するが、これによって互いに等価なモデルの表現法の数が増大したに過ぎず、モデルの表現の自由度が増すわけではない。すなわち、Ｍ個の余分な自由度は冗長であって、このまま探索を実行すると、無駄に広い次元の解空間を探索することとなって好ましくない。そこで、探索する決定すべき未知数に適宜制約を設けることが望ましい。
一つの望ましい方法は、式(24)において、Ｇ’の各列ベクトルを長さ１で互いに直交するという制約を設けることである。下記する式(25)に関わる説明を参照すると、これによってモデルの表現の自由度が減少することはない。
式(18)などより、Gの右側から任意のM行M列ユニタリ行列を掛けても、等価なばらつきモデルとなる。よってすでに述べたように、式(11)の代わりに式(22)を用いても良い。
特に、Gを特異値分解すると、次式(25)のように変形できる。
Figure 2007091359
(25)
ここでG’’は各列が長さ１で互いに直交する行列（ｍ行Ｍ列）、Ｕ2はユニタリ行列（Ｍ行Ｍ列）、ｓ1乃至ｓMは特異値である。
式(25)より、G’’を変換行列とし、原因パラメータの標準偏差をｓ1、ｓ2、．．．、ｓMとすれば、Gを変換行列とし、原因パラメータの標準偏差が１である場合と等価なばらつきモデルが得られる。よって、各列が長さ１で互いに直交する行列となるように、変換行列を選択することができる。
探索法においては、探索の実行時に行列Ｇの要素、あるいは行列Ｇ’の要素に任意の制約を課すことが容易である、という利点がある。
これは、試行する行列Ｇ、あるいはＧ’と原因パラメータの標準偏差値とを、常に所定の制約を満足する範囲で選択し、探索を実行することによって実現される。
例えば、モデルのパラメータは互いに無相関である、という条件を課したいのであれば、式(24)においてＧ’を単位行列に固定して探索を実行すればよい。
例えば、モデルのあるパラメータ（例えばゲート長Ｌ）のばらつきの大きさが、事前の測定によって既知であったとする。この場合、そのパラメータの標準偏差が、既知の値に固定されるという条件を課して探索を実行すればよい。
このように、探索法は、モデルのパラメータの統計的性質が所定の条件を満足する範囲で解を得たい場合において、特に有用である。
モデルのパラメータの統計的性質が所定の条件となるＧを選択するには、以下のようにすれば良い。
モデルのパラメータの統計的性質は、モデルのパラメータの共分散行列Ｖpによって規定できる。Ｖpを、式(3)以下と同様に主成分分析する。すなわち、Ｖpを固有値分解し、次式を得る。

Figure 2007091359
(26)
ここで、Ｌpは、Ｖpの固有ベクトルを左から固有値が大きい順に並べたｍ行ｍ列の行列、μ1乃至μmはＶpの固有値である。
これは、形式的には、特性値に対して行った主成分分析と同じであり、式(26)は、式(10)に類似するが、ここでは、主成分分析の対象が特性値ではなく、パラメータである点が異なる。
こうして得られたＬpΣpを規格化されたＧとすると、モデルのパラメータの共分散行列は、Ｖpと一致する。
すでに説明したように、特性値の共分散行列Ｖを固有値分解して得られるLΣが、式(12)におけるＡ＝ＲＧと一致するなら、特性値のばらつき方が再現される。
ＡとＧ、ｙとΔｐとが形式上対応することを考慮すると、全く同様に、パラメータの共分散行列Ｖpを、固有値分解して得られるＬpΣpをＧとすると、モデルのパラメータのばらつき方が再現される。
Ｖpの要素は、すべてパラメータの統計量（分散と共分散）であるから、パラメータが所定の統計的性質を満足するように、Vpの要素を設定することは容易である。
ＬpΣpをＧとすると、Ｇはｍ行ｍ列の行列となる。あるいは、ＬpΣpの列のうち、適宜大きさが大きいＭ列のみを選択して、Ｇをｍ行Ｍ列としても良い。このようにＬpΣpの列を部分的に省略すると、パラメータのばらつき方の再現の忠実度は劣化するが、原因パラメータの数を削減することができる。
デバイス・モデルのパラメータの、共分散行列Ｖpの要素の一部に制約（例えばゲート長Lの分散を所定値に固定する、ゲート長と移動度の間の相関係数を所定値に固定する、など）を課しながら、Ｖpの要素を試行値として適宜選択し、Ｖpを固有値分解して、ＬpとΣpを求めれば、モデルのパラメータの統計的性質が所定の条件となるＧを選択することができる。
こうして選択したＧを、探索法においてＧの試行値とすれば、モデルのパラメータの統計的性質が所定の条件を満足する解を、容易に探索することができる。
本発明を適用するにあたって、モデルのパラメータを予め任意のパラメータの関数として表現しておき（パラメータ変換）、前記任意のパラメータを新たにモデルのパラメータとみなして、本発明を適用しても良い。
例えば、ばらつきの物理的原因と、それに対するモデルのパラメータの振る舞いが事前に判明している場合、この原因を記述するパラメータを前記任意のパラメータとして用いることができる。
図１１を参照すると、本発明の第２の実施の形態に係るばらつきシミュレーション・システム９０２は、ばらつき分析部１００と、モデル分析部２００と、フィッティング実行部３００と、シミュレーション実行部４００と、結果出力部５００と、を備えている。
シミュレーション実行部４００は、ばらつきモデルに基づいて、適宜、回路シミュレーションを実行する。回路シミュレーションの典型的な利用方法は、モンテカルロ実験である。すなわち、乱数を用いて、原因パラメータを所定の分布関数で統計的にばらつかせながら、回路特性を繰り返し計算し、回路特性がどのようにばらつくかを検討する。特に詳細な分布関数の指定が無い場合、上記した分布関数は、標準偏差が所定値である正規分布とするのが合理的である。
より具体的には、
ステップ１：
原因パラメータを乱数を用いて中心値からランダムに変位した原因パラメータの組ｘ1, ｘ2、...、ｘMを決定する。
ステップ２：
上記した原因パラメータの組から式（８）や式（９)を用いて変位したモデルのパラメータ ｐ1, ｐ2, ..., ｐmを決定する。
ステップ３：
決定された変位したデバイス・モデルを用いて、適宜、回路シミュレーションを実行し、回路特性を調べる。
以上を一回の試行として、所定回数の試行を繰り返すことで、得られた結果から回路特性がどのようにばらつくかを知ることができる。
上記した回路シミュレーションの実行には、ばらつきモデルに加えて、
・デバイス・モデル（望ましくは中心モデル）と、
・シミュレーション実行条件（デバイスを含んで成る回路の構成情報、シミュレーションするバイアス条件）、
などの情報がさらに必要である。
これらのシミュレーションの実行条件については、一般的な回路シミュレーションにおいてなされる方法を用いて、適宜、シミュレーション実行部４００が取得できるようにすれば良い（図示されない）。
原因パラメータは、真に物理的なばらつきの原因と対応するよう選択されることが好ましいが、原因パラメータは必ずしもそのように選択される必要はない。観測されるばらつきをシミュレーションによって再現することが可能であるなら、本発明の目的は達成できるのであって、そのとき原因パラメータが全く物理的に意味を持たない単なるフィッティング・パラメータであっても、本発明は有効である。ただし、原因パラメータが物理的意味を有するように選択されれば、ばらつき現象の物理的理解を得ることができる点で好ましい。
本発明は、使用するシミュレーション用のモデル基盤に、特段の制約がない、という特徴を有する。本発明によれば、モデル基盤の詳細な内部情報を直接には利用せず、パラメータの変化に対するデバイス・モデルの応答を利用することで、ばらつきモデルを決定する。このため、本発明においては、モデル基盤を自在に入れ替えることができる。
ユーザは、既存のモデル基盤（例えば業界標準として普及しているもの等）を適宜選択して、本発明と組み合わせることが可能である。結果として、既存の設計環境や資産を変更する必要がないため、ばらつきシミュレーションの実行環境を低コストで構築することが可能である。この特徴を生かすために、本発明によるばらつきシミュレーション・システムは、使用するモデル基盤をユーザが任意に選択できるよう構成することができる。
以上の説明では、電子デバイスを含む回路シミュレーションへの適用例、特に、ＭＯＳＦＥＴの電流対電圧特性への適用例を基に説明した。しかしながら、本発明の根幹を成す手法は、適用対象となるデバイス、及びデバイス特性の種類によって制限を受けず、モデルによって表現可能な、任意のデバイス特性に対して適用可能である。
従って、デバイス特性を表現する量が、電流、電圧、キャパシタンス、インダクタンス、抵抗、のいずれであって良い。また、電流、電圧、キャパシタンス、インダクタンス、抵抗から派生する量であっても良い。例えば、ＭＯＳＦＥＴにおいて、ドレイン端子の電流をゲート端子の電圧で微分した相互コンダクタンスや、ドレイン端子の電圧をドレイン端子の電流で微分した出力抵抗、などでも良い。また、例えば、バイポーラ・トランジスタにおいて、コレクタ端子の電流をベース端子の電流で除したエミッタ接地電流増幅率や、コレクタ端子の電流をエミッタ端子の電流で除したベース接地電流増幅率、などでも良い。
さらに、デバイス特性を表現する量は、交流信号の振幅と位相の情報を併せ持つ、複素電圧、複素電流であっても良い。また、これらから派生する量、例えば複素アドミタンス、複素インピーダンス、Ｓパラメータ、Ｙパラメータ、Ｚパラメータ、ｈパラメータ、などでも良い。
さらに、デバイス特性を表現する量は、光学デバイス（発光ダイオード、半導体レーザ等）における、光の強度、光の位相、屈折率、透過率、反射率などの光学的量、またはそれらから派生する量であっても良い。
また、デバイス特性を表現する量は、機械デバイスにおける、変位量、曲げ量、移動速度、摩擦力などの機械的量、またはそれらから派生する量であっても良い。
またデバイスの種類としては、ＭＯＳＦＥＴのほか、ＭＩＳＦＥＴ、ＭＥＳＦＥＴ、ＪＦＥＴ、バイポーラ・トランジスタ、各種ダイオード（発光ダイオード、半導体レーザ、太陽電池などを含む）、サイリスタ、ＣＣＤなど、任意の半導体デバイスであっても良い。また、半導体デバイス以外の任意のデバイス、例えば液晶表示デバイス、プラズマ表示デバイス、電界放出型表示デバイス、有機発光表示デバイス、真空管増幅デバイス、真空管発光デバイス、各種ＭＥＭＳ用デバイス（アクチュエータ、センサなど）、などであっても良い。
回路シミュレーションは、電子デバイスの特性という物理現象を数式によってモデル化している。同様に任意の現象を数式によってモデル化する場合であって、さらに該現象のばらつきをモデルで再現する必要がある場合においても、電子デバイスに対する場合と同様にして、本発明を適用することが可能であることは、上記した説明からも、明らかである。
本発明による手法は、Ｎ個のデバイス個々についてパラメータ抽出を行い、その後にパラメータの統計的性質を調べるのではなく、逆に、まずＮ個のデバイスの特性値の統計的性質を調べた後、この統計的性質を再現するように、デバイス・モデルのパラメータのばらつき方を決定する。決定にあたっては、デバイス・モデルのパラメータに対する応答がどうなっているかという情報を利用する。
これにより、Ｎ回のパラメータ抽出作業を行うことなく、パラメータのばらつき方を１回のフィッティングで決定することができる。これによりばらつきを詳細に考慮した回路シミュレーションを実施するための、ばらつきを表現するためのモデル（ばらつきモデル）を、効率的に決定することができる。
本発明は、電子デバイスを用いた回路の設計に適用できる。特に集積回路の設計に好適である。
本発明はこれに限らず、任意の現象を数式によってモデル化する場合であって、さらに該現象のばらつきをモデルで再現する必要がある場合においても、電子デバイスに対する場合と同様にして適用することが可能である。
以上、本発明を上記実施例に即して説明したが、本発明は上記実施例の構成にのみ制限されるものでなく、本発明の範囲内で当業者であればなし得るであろう各種変形、修正を含むことは勿論である。

Claims (70)

  1. 物理現象を反映する特性値の統計的性質が、前記物理現象を模擬するモデルによって再現されるように、前記モデルによって模擬された特性値の所定のパラメータに対する応答情報を基に、前記所定のパラメータのばらつき方を決定する、ことを特徴とするばらつきシミュレーション・システム。
  2. 物理現象を反映する特性値について統計的性質を抽出するばらつき分析部と、
    前記物理現象を模擬するモデルによって模擬された特性値について所定のパラメータへの応答情報を取得するモデル分析部と、
    前記応答情報を基に、前記統計的性質が前記モデルによって再現されるように、前記所定のパラメータのばらつき方を決定するフィッティング実行部と、
    を有する、ことを特徴とするばらつきシミュレーション・システム。
  3. 物理現象を反映する特性値について統計的性質を抽出する手段と、
    前記物理現象を模擬するモデルによって模擬された特性値について所定のパラメータへの応答情報を取得する手段と、
    前記応答情報を基に、前記統計的性質が前記モデルによって再現されるように、前記所定のパラメータのばらつき方を決定する手段と、
    を有する、ことを特徴とするばらつきモデル決定装置。
  4. コンピュータ・システムを用いてばらつきモデルを決定する方法であって、
    物理現象を反映する特性値について統計的性質を抽出する第１の工程と、
    前記物理現象を模擬するモデルによって模擬された特性値について所定のパラメータへの応答情報を取得する第２の工程と、
    前記応答情報を基に、前記統計的性質が、前記モデルによって再現されるように、前記所定のパラメータのばらつき方を決定する第３の工程と、
    を有する、ことを特徴とするばらつきモデル決定方法。
  5. コンピュータに、
    物理現象を反映する特性値について統計的性質を抽出する第１の処理と、
    前記物理現象を模擬するモデルによって模擬された特性値について所定のパラメータへの応答情報を取得する第２の処理と、
    前記応答情報を基に、前記統計的性質が、前記モデルによって再現されるように、前記所定のパラメータのばらつき方を決定する第３の処理と、
    を実行させるプログラム。
  6. 前記統計的性質を抽出する手段は、前記物理現象を反映する特性値について、主成分分析を用いて統計的性質を抽出する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  7. 前記応答情報を取得する手段は、前記模擬された特性値の、前記所定のパラメータへの応答を分析することで、前記応答情報を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  8. 前記応答情報を取得する手段は、前記所定のパラメータを変位させたときの模擬された特性値の変位を計算することで、前記応答情報を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  9. 前記所定のパラメータのばらつき方を決定する手段は、応答行列と変換行列の積を特異値分解した結果と、特性値の主成分分析した結果と、を一致、又は近似的に一致させるようにして、所定のパラメータのばらつき方を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  10. 前記決定された所定のパラメータのばらつき方に基づき、シミュレーションを実行するシミュレーション実行部をさらに有する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  11. 前記特性値と、模擬された特性値がともに同一の変換を受ける、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  12. 前記所定のパラメータのばらつき方を決定する手段は、前記所定のパラメータのばらつき方を、直接法により決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  13. 前記所定のパラメータのばらつき方を決定する手段は、原因パラメータと、前記モデルに含まれるパラメータとを関係付ける係数又は変換行列を、前記主成分分析の結果への回帰分析により決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  14. 応答行列の擬似逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで、変換行列を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  15. 応答行列の逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで、変換行列を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  16. 応答行列の擬似逆行列と、主成分ベクトルから成る行列と、を掛けあわせることで、変換行列を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  17. 応答行列の逆行列と、主成分ベクトルから成る行列と、を掛けあわせることで、変換行列を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  18. 前記所定のパラメータのばらつき方を決定する手段は、前記直接法の結果を初期値として、探索法をさらに行い、前記所定のパラメータのばらつき方を求める、ことを特徴とする請求項１２記載のばらつきモデル決定装置。
  19. 前記所定のパラメータのばらつき方を決定する手段は、パラメータの統計的性質の少なくとも一部が所定の条件を満足するように、前記所定のパラメータのばらつき方を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  20. 変換行列の試行値に所定の制約条件が課せられる、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  21. パラメータの統計的性質の少なくとも一部が所定の条件を満足するように、変換行列の試行値に所定の制約条件が課せられる、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  22. パラメータの主成分分析により、変換行列の試行値を決定する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  23. モデルのパラメータを、他のパラメータの関数とみなすパラメータ変換を行う、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  24. 原因パラメータの数が、変化させるモデルのパラメータの数よりも少なく設定されている、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  25. 前記変換行列は、Ｍ次元ベクトルの原因パラメータを、ｍ次元ベクトルのモデルパラメータへ変換するｍ行Ｍ列の行列よりなる、ことを特徴とする請求項９、１３、１４、１５、１６、１７、２０、２１のいずれか一に記載のばらつきモデル決定装置。
  26. Ｒをｎ’行ｍ列の応答行列、
    Ｖを特性値に関するｎ’行ｎ’列の共分散行列、
    ＧをＭ次元ベクトルの標準偏差１に規格化された原因パラメータをｍ次元ベクトルのモデルパラメータへ変換するｍ行Ｍ列の変換行列、
    ＬをＶのＭ列の固有ベクトルを固有値の大きさの順に１列目から並べたｎ’行Ｍ列の行列、
    Σを対角要素にＶの固有値λ１、λ２、・・・λMの平方根√λ１、√λ２、・・・√λMを配置したＭ行Ｍ列の対角行列とし、
    等式ＶＬ＝ＬΣ２が成り立ち、
    ＲＧ＝ＬΣＵT（ただしＵはユニタリ行列、Tは転置）なる関係が少なくとも近似的に成立する行列Ｇを決定することでばらつきモデルを決定するにあたり、
    Ｕを任意のユニタリ行列として、
    ＲＧの各列がＬΣＵTの各列に近似的に一致するようにＧの各列を決定するという直接法で求める、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  27. 線形回帰分析により、Ｇ＝（ＲTＲ）-1ＲTＬΣ
    にて変換行列Ｇを求める、ことを特徴とする請求項２６記載のばらつきモデル決定装置。
  28. Ｕを任意のユニタリ行列とし、
    線形回帰分析により、Ｇ＝（ＲTＲ）-1ＲTＬΣＵT
    にて変換行列Ｇを求める、ことを特徴とする請求項２６記載のばらつきモデル決定装置。
  29. 直接法で得られた規格化された変換行列Ｇに対して、
    ＲＧ＝Ｌ１Σ１Ｕ１ T（ただし、Ｌ1は各列が長さ１のｎ’行Ｍ列の直交行列、Σ１はＭ行Ｍ列の対角行列、Ｕ１はＭ行Ｍ列のユニタリ行列）に特異値分解する、ことを特徴とする請求項２６記載のばらつきモデル決定装置。
  30. 直接法で得られた規格化された変換行列Ｇを、試行値とし、
    ＲＧ（ただし、Ｇは前記試行値のＧ）を特異値分解し、
    実際のばらつきと再現したばらつきの主成分ベクトルＬΣとＬ１Σ１の一致の度合いを調べ、所定の一致条件を満たす場合、行列Ｇの試行値を求めるＧとし、不一致の場合、Ｇの別の試行値を選択して再試行する、探索法により、Ｇを求める、ことを特徴とする請求項２６記載のばらつきモデル決定装置。
  31. Ｒをｎ’行ｍ列の応答行列、
    Ｖを特性値のｎ’行ｎ’列の共分散行列、
    ＧをＭ次元ベクトルの標準偏差１に規格化された原因パラメータをｍ次元ベクトルのモデルパラメータへ変換するｍ行Ｍ列の変換行列、
    ＬをＶのＭ列の固有ベクトルを固有値の大きさの順に第１列から並べたｎ’行Ｍ列の行列、
    Σを対角要素にＶの固有値λ１、λ２、・・・λMの平方根√λ１、√λ２、・・・√λMを配置したＭ行Ｍ列の対角行列とし、
    等式ＶＬ＝ＬΣ２が成り立ち、
    ＲＧ＝ＬΣＵT（ただしＵはユニタリ行列、Tは転置）なる式を解くにあたり、
    Ｇの試行値を選択し、
    ＲとＧの積を、
    ＲＧ＝Ｌ１Σ１Ｕ１ T（ただし、Ｌ1は各列が長さ１のｎ’行M列の直交行列、Σ１はM行M列の対角行列、Ｕ1はＭ行Ｍ列のユニタリ行列）に、特異値分解し、
    実際のばらつきと再現したばらつきの主成分ベクトルＬΣとＬ１Σ１の一致の度合いを調べ、所定の一致条件を満たす場合、行列Ｇの試行値を求めるＧとし、不一致の場合、Ｇの別の試行値を選択して再試行する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  32. 原因パラメータの標準偏差を１に規格化して処理を行う、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  33. 規格化された変換行列をＧとするとき、Ｇ＝Ｇ’Ｓ'（ただし、Ｓ'は対角要素に原因パラメータの標準偏差σ１、σ２、・・・σMを配置したＭ行Ｍ列の対角行列）なる関係を満足するＧ'を変換行列とする、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  34. 規格化された変換行列Ｇを、
    Ｇ＝Ｇ'' ＳＵ２ T、
    （ただし、Ｇ''は各列が長さ１のｍ行Ｍ列の直交行列、Ｕ２はＭ行Ｍ列のユニタリ行列、Ｓは対角要素に特異値ｓ1、ｓ2、・・・、ｓMを配したＭ行Ｍ列の対角行列）、に特異値分解し、変換行列の各列が長さ１で互いに直交するようにＧ''を変換行列として選択する、ことを特徴とする請求項３記載のばらつきモデル決定装置。
  35. モデルパラメータの共分散行列Ｖｐについて、
    ＶpＬp＝ＬpΣp 2 （ただし、ＬpはＶpの固有ベクトルを固有値の大きさの順に１列目から並べたｍ行ｍ列の直交行列、Σpは対角要素にＶpの固有値μ1、μ２、・・・μｍの平方根√μ1、√μ２、・・・√μｍを配したｍ行ｍ列の対角行列）に固有値分解し、
    ＬpΣp、またはＬpΣpのうち固有値の大きい一部の列を選択して得られる行列、を規格化された変換行列Ｇの試行値とする、ことを特徴とする請求項３１記載のばらつきモデル決定装置。
  36. 前記第１の工程は、前記統計的性質を主成分分析によって決定する、ことを特徴とする、請求項４記載のばらつきモデル決定方法。
  37. 前記第２の工程は、前記所定のパラメータを変位させたときの模擬された特性値の変位を計算することで前記応答情報を決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  38. 前記第３の工程は、応答行列と変換行列の積を特異値分解した結果と、特性値の主成分分析した結果と、を一致または近似的に一致させるようにして、所定のパラメータのばらつき方を決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  39. 前記特性値と、模擬された特性値がともに同一の変換を受ける、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  40. 前記所定のパラメータのばらつき方を、直接法により決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  41. 原因パラメータと、前記モデルに含まれるパラメータと、を関係付ける係数又は変換行列を、前記主成分分析の結果への回帰分析により決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  42. 応答行列の擬似逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで、原因パラメータをモデルパラメータへ変換する変換行列を決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  43. 応答行列の逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで、原因パラメータをモデルパラメータへ変換する変換行列を決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  44. 応答行列の擬似逆行列と、主成分ベクトルから成る行列と、を掛けあわせることで、原因パラメータをモデルパラメータへ変換する変換行列を決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  45. 応答行列の逆行列と、主成分ベクトルから成る行列と、を掛けあわせることで、原因パラメータをモデルパラメータへ変換する変換行列を決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  46. 前記直接法の結果を初期値として、探索法をさらに行う、ことを特徴とする請求項４０記載のばらつきモデル決定方法。
  47. パラメータの統計的性質の少なくとも一部が所定の条件を満足するように、所定のパラメータのばらつき方を決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  48. 原因パラメータをモデルパラメータへ変換する変換行列の試行値に所定の制約条件が課せられる、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  49. パラメータの統計的性質の少なくとも一部が所定の条件を満足するように、変換行列の試行値に所定の制約条件が課せられる、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  50. パラメータの主成分分析により変換行列の試行値を決定する、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  51. モデルのパラメータを、他のパラメータの関数とみなすパラメータ変換を行うことを特徴とする請求項４記載のばらつきモデル決定方法。
  52. 原因パラメータの数が、変化させるモデルのパラメータの数よりも少ない、ことを特徴とする請求項４記載のばらつきモデル決定方法。
  53. 前記第１の処理は、前記統計的性質を主成分分析によって決定する、ことを特徴とする、請求項５記載のプログラム。
  54. 前記第２の処理は、前記所定のパラメータを変位させたときの模擬された特性値の変位を計算することで前記応答情報を決定する、ことを特徴とする請求項５記載のプログラム。
  55. 前記第３の処理は、応答行列と変換行列の積を特異値分解した結果と、特性値の主成分分析した結果と、を一致または近似的に一致させるようにして、所定のパラメータのばらつき方を決定する、ことを特徴とする請求項５記載のプログラム。
  56. 前記決定された所定のパラメータのばらつき方に基づき、シミュレーションを実行するシミュレーション処理を実行させる、ことを特徴とする請求項５記載のプログラム。
  57. 特性値と、模擬された特性値がともに同一の変換を受ける、ことを特徴とする請求項５記載のプログラム。
  58. 前記所定のパラメータのばらつき方を、直接法により決定することを特徴とする請求項５記載のプログラム。
  59. 原因パラメータと、前記モデルに含まれるパラメータと、を関係付ける係数又は変換行列を、前記主成分分析の結果への回帰分析により決定する、ことを特徴とする請求項５載のプログラム。
  60. 応答行列の擬似逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで、原因パラメータをモデルパラメータへ変換する変換行列を決定する、ことを特徴とする請求項５記載のプログラム。
  61. 応答行列の逆行列と、主成分ベクトルから成る行列と、任意のユニタリ行列と、を掛けあわせることで、原因パラメータをモデルパラメータへ変換する変換行列を決定する、ことを特徴とする請求項５記載のプログラム。
  62. 応答行列の擬似逆行列と、主成分ベクトルから成る行列と、を掛けあわせることで、原因パラメータをモデルパラメータへ変換する変換行列を決定する、ことを特徴とする請求項５記載のプログラム。
  63. 応答行列の逆行列と、主成分ベクトルから成る行列と、を掛けあわせることで、原因パラメータをモデルパラメータへ変換する変換行列を決定する、ことを特徴とする請求項５記載のプログラム。
  64. 前記直接法の結果を初期値として、探索法をさらに行う、ことを特徴とする請求項５８記載のプログラム。
  65. パラメータの統計的性質の少なくとも一部が所定の条件を満足するように、所定のパラメータのばらつき方を決定する、ことを特徴とする請求項５記載のプログラム。
  66. 原因パラメータをモデルパラメータへ変換する変換行列の試行値に所定の制約条件が課せられる、ことを特徴とする請求項５記載のプログラム。
  67. パラメータの統計的性質の少なくとも一部が所定の条件を満足するように、変換行列の試行値に所定の制約条件が課せられる、ことを特徴とする請求項５記載のプログラム。
  68. パラメータの主成分分析により変換行列の試行値を決定する、ことを特徴とする請求項５記載のプログラム。
  69. モデルのパラメータを、他のパラメータの関数とみなすパラメータ変換を行う、ことを特徴とする請求項５記載のプログラム。
  70. 原因パラメータの数が、変化させるモデルのパラメータの数より少ない、ことを特徴とする請求項５記載のプログラム。
JP2007557743A 2006-02-08 2006-11-16 ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム Expired - Fee Related JP5006214B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2007557743A JP5006214B2 (ja) 2006-02-08 2006-11-16 ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2006031441 2006-02-08
JP2006031441 2006-02-08
PCT/JP2006/322839 WO2007091359A1 (ja) 2006-02-08 2006-11-16 ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム
JP2007557743A JP5006214B2 (ja) 2006-02-08 2006-11-16 ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム

Publications (2)

Publication Number Publication Date
JPWO2007091359A1 true JPWO2007091359A1 (ja) 2009-07-02
JP5006214B2 JP5006214B2 (ja) 2012-08-22

Family

ID=38344966

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007557743A Expired - Fee Related JP5006214B2 (ja) 2006-02-08 2006-11-16 ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム

Country Status (3)

Country Link
US (1) US20100217568A1 (ja)
JP (1) JP5006214B2 (ja)
WO (1) WO2007091359A1 (ja)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8275596B2 (en) * 2006-12-08 2012-09-25 Globalfoundries Inc. Method for robust statistical semiconductor device modeling
US8010930B2 (en) * 2008-12-29 2011-08-30 International Business Machine Corporation Extracting consistent compact model parameters for related devices
JP5104814B2 (ja) * 2009-05-18 2012-12-19 富士通株式会社 設計支援プログラム、設計支援装置、および設計支援方法
JP5418408B2 (ja) * 2010-05-31 2014-02-19 富士通株式会社 シミュレーションパラメータ校正方法、装置及びプログラム
US11288240B1 (en) 2013-03-12 2022-03-29 AdTheorent, Inc. Data learning and analytics apparatuses, methods and systems
KR102061763B1 (ko) 2013-05-27 2020-01-03 삼성전자 주식회사 시뮬레이션 시스템 및 방법, 상기 시스템을 포함하는 컴퓨팅 시스템
US10084983B2 (en) * 2014-04-29 2018-09-25 Fermi Research Alliance, Llc Wafer-scale pixelated detector system
JP6854000B2 (ja) * 2016-10-28 2021-04-07 国立大学法人東京農工大学 微粒子情報解析装置、微粒子情報解析方法及び微粒子情報解析プログラム
KR102395474B1 (ko) 2017-08-24 2022-05-09 삼성전자주식회사 반도체 소자의 특성 예측 방법 및 반도체 소자의 특성 예측 장치
CN111241633B (zh) * 2020-01-20 2024-05-31 中国人民解放军国防科技大学 基于主成分分析和双指数模型的斩波器剩余寿命预测方法
CN112243125B (zh) * 2020-10-20 2022-07-12 浙江大华技术股份有限公司 视频编码方法以及电子设备、存储装置
CN115510691B (zh) * 2022-11-08 2023-08-01 中山大学 基于量纲分析和最优设计的毁伤响应函数获取方法及装置
CN117290718B (zh) * 2023-11-24 2024-03-08 山东三矿地质勘查有限公司 一种地质矿产勘查数据提取方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10187772A (ja) * 1996-12-19 1998-07-21 Toshiba Corp モデルパラメータ作成支援方法及びその装置
JP2001188816A (ja) * 1999-12-28 2001-07-10 Toshiba Corp 回路シミュレーション装置、回路シミュレーション方法、回路シミュレーションプログラムを格納したコンピュータ読取り可能な記録媒体および回路製造方法
JP2005011892A (ja) * 2003-06-17 2005-01-13 Matsushita Electric Ind Co Ltd Ｌｓｉの設計マージンの設定方法
JP3926296B2 (ja) * 2003-06-24 2007-06-06 株式会社ルネサステクノロジ 半導体集積回路の性能分散系算出装置及びその算出方法
JP2005191301A (ja) * 2003-12-25 2005-07-14 Matsushita Electric Ind Co Ltd モデルパラメータ抽出方法、回路シミュレーションシステム
JP4882747B2 (ja) * 2004-08-13 2012-02-22 日本電気株式会社 ばらつきシミュレーション・システム

Also Published As

Publication number Publication date
US20100217568A1 (en) 2010-08-26
WO2007091359A1 (ja) 2007-08-16
JP5006214B2 (ja) 2012-08-22

Similar Documents

Publication Publication Date Title
JP5006214B2 (ja) ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム
Swenson Phylogenetic imputation of plant functional trait databases
JP6536295B2 (ja) 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法
Nasa et al. Evaluation of different classification techniques for web data
JP4882747B2 (ja) ばらつきシミュレーション・システム
Debastiani et al. Using phylogenetic information to impute missing functional trait values in ecological databases
CN102841985B (zh) 一种基于结构域特征的关键蛋白质识别方法
Goslee Correlation analysis of dissimilarity matrices
CN107562924A (zh) 基于列存储和键值存储的人群画像方法及系统
US20120310619A1 (en) Fast function extraction
Pruyt et al. On generating and exploring the behavior space of complex models
CN107067033A (zh) 机器学习模型的局部修复方法
CN114900346B (zh) 基于知识图谱的网络安全测试方法及系统
Balaji et al. Text summarization using NLP technique
Legoll et al. Some remarks on free energy and coarse-graining
Zeng et al. C-yes: An efficient parametric yield estimation approach for analog and mixed-signal circuits based on multicorner-multiperformance correlations
CN117036781A (zh) 一种基于树综合多样性深度森林的图像分类方法
US10169509B2 (en) Efficient deployment of table lookup (TLU) in an enterprise-level scalable circuit simulation architecture
JP2013168020A (ja) プロセスの状態予測方法
KR102395474B1 (ko) 반도체 소자의 특성 예측 방법 및 반도체 소자의 특성 예측 장치
Uniyal et al. Wine Quality Evaluation Using Machine Learning Algorithms
Resheff et al. Optimized linear imputation
JP7156049B2 (ja) 学習方法、学習プログラムおよび学習装置
CN117236261B (zh) Mos管参数模型的构建方法、装置、设备及存储介质
Alia et al. A Differential Evolution based Methodology for Parameter Extraction of Behavioral Models of Electronic Components

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20091027

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20100616

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20120306

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120423

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20120522

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20120524

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20150601

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

LAPS Cancellation because of no payment of annual fees