账号:
密码:
最新动态
产业快讯
CTIMES/SmartAuto / 新闻 /
AI深入EDA设计 Mentor以机器学习强化CMP建模
 

【CTIMES / SMARTAUTO ABC_1 报导】    2019年08月13日 星期二

浏览人次:【4267】

多年来,分析师和开发人员一直在讨论人工智能(AI)和电子设计自动化(EDA)之间的完美匹配。EDA问题具有高维度、不连续性、非线性和高阶交互等特性。现在设计人员面临的问题,在於可以采用哪些更好的方法来应对这种复杂程度,而不是再应用一种过去的经验,并使用这种经验来预测类似问题的解决方案。

Mentor透过机器学习等方式,来生成准确的後沉积曲线,藉此强化化学机械抛光建模(CMP)。
Mentor透过机器学习等方式,来生成准确的後沉积曲线,藉此强化化学机械抛光建模(CMP)。

实际上,人工智能已经开始在EDA领域发挥作用,在过去的几年里出现了大幅的进步。但是若就所有AI的成功面来探讨,类似机器学习、神经网路和深度学习等的AI应用,在EDA设计中找到一席之地的速度很慢。然而,这样的状况正在改变当中。

目前Mentor Graphics就是透过机器学习和神经网路等方式,来生成准确的後沉积曲线,藉此强化了化学机械抛光建模(CMP)。CMP透过平整晶片层,在晶片制造中起到了关键作用。结果取决於被抛光的材料,以及任何给定位置的材料的密度和形状。

由於现在的许多IC电路设计都是更为紧密且微缩,因此CMP後的平面度变化,将会显着影响生产过程的成功率。为了减轻任何可能的负面影响,晶片制造商使用CMP建模来检测潜在的热点,作为其制造设计流程的一部分。

CMP热点分析是用於寻找可能经历CMP後的缺陷设计区域。由於不同材料在CMP制程中表现出不同的腐蚀速率,因此晶圆厂必须在整个晶片上保持恒定的密度平衡,以防止导致金属互连短路和断裂的凸起和凹陷生成。

为了获得最隹的CMP建模精确度,晶片制造商必须能够产生出高品质的CMP前表面轮廓。如果这些轮廓不准确,则CMP後轮廓的CMP模拟结果将受到损害。为了解决这个问题,Mentor的工程师使用机器学习演算法,来对CMP前表面轮廓中的测量数据进行灵敏度分析。他们发现,轮廓依赖性主要受底层图案几何形状的影响。利用这些资讯,研究人员透过神经网路回归计算来模拟CMP的前表面轮廓,并使用底层图案的几何特徵作为输入。然後,神经网路将估计CMP前轮廓,并作为CMP建模的输入,进而提高整个过程的准确性。

關鍵字: EDA 
相关新闻
西门子加入半导体教育联盟 应对产业技能和人才短缺问题
Cadence推出业界首款加速数位双生平台Millennium
Cadence推出全新Celsius Studio AI热管理平台 推进ECAD/MCAD整合
是德Chiplet PHY Designer可模拟支援UCIe标准之D2D至D2D实体层IP
群联采Cadence Cerebrus AI驱动晶片最隹化工具 加速产品开发
comments powered by Disqus
相关讨论
  相关文章
» 开启边缘智能新时代 ST引领AI开发潮流
» ST以MCU创新应用技术潮流 打造多元解决方案
» ST开启再生能源革命 携手自然迎接能源挑战
» ST引领智慧出行革命 技术创新开启汽车新纪元
» ST:精准度只是标配 感测器需执行简单运算的智慧功能


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83J6I4QMESTACUKV
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw