帳號:
密碼:
CTIMES/SmartAuto / 新聞 /
AI深入EDA設計 Mentor以機器學習強化CMP建模
 

【CTIMES/SmartAuto 王岫晨 報導】   2019年08月13日 星期二

瀏覽人次:【1015】
  

多年來,分析師和開發人員一直在討論人工智能(AI)和電子設計自動化(EDA)之間的完美匹配。EDA問題具有高維度、不連續性、非線性和高階交互等特性。現在設計人員面臨的問題,在於可以採用哪些更好的方法來應對這種複雜程度,而不是再應用一種過去的經驗,並使用這種經驗來預測類似問題的解決方案。

Mentor透過機器學習等方式,來生成準確的後沉積曲線,藉此強化化學機械拋光建模(CMP)。
Mentor透過機器學習等方式,來生成準確的後沉積曲線,藉此強化化學機械拋光建模(CMP)。

實際上,人工智能已經開始在EDA領域發揮作用,在過去的幾年裡出現了大幅的進步。但是若就所有AI的成功面來探討,類似機器學習、神經網路和深度學習等的AI應用,在EDA設計中找到一席之地的速度很慢。然而,這樣的狀況正在改變當中。

目前Mentor Graphics就是透過機器學習和神經網路等方式,來生成準確的後沉積曲線,藉此強化了化學機械拋光建模(CMP)。CMP透過平整晶片層,在晶片製造中起到了關鍵作用。結果取決於被拋光的材料,以及任何給定位置的材料的密度和形狀。

由於現在的許多IC電路設計都是更為緊密且微縮,因此CMP後的平面度變化,將會顯著影響生產過程的成功率。為了減輕任何可能的負面影響,晶片製造商使用CMP建模來檢測潛在的熱點,作為其製造設計流程的一部分。

CMP熱點分析是用於尋找可能經歷CMP後的缺陷設計區域。由於不同材料在CMP製程中表現出不同的腐蝕速率,因此晶圓廠必須在整個晶片上保持恆定的密度平衡,以防止導致金屬互連短路和斷裂的凸起和凹陷生成。

為了獲得最佳的CMP建模精確度,晶片製造商必須能夠產生出高品質的CMP前表面輪廓。如果這些輪廓不準確,則CMP後輪廓的CMP模擬結果將受到損害。為了解決這個問題,Mentor的工程師使用機器學習演算法,來對CMP前表面輪廓中的測量數據進行靈敏度分析。他們發現,輪廓依賴性主要受底層圖案幾何形狀的影響。利用這些資訊,研究人員透過神經網路回歸計算來模擬CMP的前表面輪廓,並使用底層圖案的幾何特徵作為輸入。然後,神經網路將估計CMP前輪廓,並作為CMP建模的輸入,進而提高整個過程的準確性。

關鍵字: EDA 
相關新聞
強調系統導向 Mentor技術論壇推IC設計新思維
AI與雲端平台正在改變EDA設計流程
中國EDA技術開發商國微技術 獲中國重大科技專項補助
AI技術導入EDA設計 富比庫首創智慧雲端零件資料庫管理平台
[ARM Tech Day]DesignStart計畫再延伸 ARM與客戶關係更密切
comments powered by Disqus
相關討論
  相關新品
CWFA205: WiFi+BT
原廠/品牌:鉅景
供應商:鉅景
產品類別:RF
GPS SiP Module
原廠/品牌:鉅景
供應商:鉅景
產品類別:RF
CGPA10x: GPS SiP
原廠/品牌:鉅景
供應商:鉅景
產品類別:RF
  相關產品
» ST:功能安全將是工業4.0的重中之重
» 伺服器48V新標準正熱 Vicor三相RFM滿足機架電源新挑戰
» 瑞薩電子推出單一封裝的簡化型數位電源模組系列產品
» 智原推出新款最小面積USB 2.0 OTG PHY IP
» 創惟發表快速讀取的UHS-I讀卡機控制晶片
  相關文章
» 仿真和原型難度遽增 Xilinx催生世界最大FPGA
» 突破數據時代瓶頸 SerDes技術方案是關鍵
» EDA跨入雲端環境新時代
» 人工智慧正在改變EDA的設計流程
» 機器學習實現AI與EDA的完美匹配

AD


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2019 遠播資訊股份有限公司版權所有 Powered by O3
地址:台北市中山北路三段29號11樓 / 電話 (02)2585-5526 / E-Mail: webmaster@ctimes.com.tw