帳號:
密碼:
最新動態
產業快訊
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:【4268】

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
西門子加入半導體教育聯盟 應對產業技能和人才短缺問題
Cadence推出業界首款加速數位雙生平台Millennium
Cadence推出全新Celsius Studio AI熱管理平台 推進ECAD/MCAD整合
是德Chiplet PHY Designer可模擬支援UCIe標準之D2D至D2D實體層IP
群聯採Cadence Cerebrus AI驅動晶片最佳化工具 加速產品開發
comments powered by Disqus
相關討論
  相關文章
» 開啟邊緣智能新時代 ST引領AI開發潮流
» ST以MCU創新應用潮流 打造多元解決方案
» ST開啟再生能源革命 攜手自然迎接能源挑戰
» ST引領智慧出行革命 技術創新開啟汽車新紀元
» ST:精準度只是標配 感測器需執行簡單運算的智慧功能


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 ©1999-2024 遠播資訊股份有限公司版權所有 Powered by O3  v3.20.2048.54.235.6.60
地址:台北數位產業園區(digiBlock Taipei) 103台北市大同區承德路三段287-2號A棟204室
電話 (02)2585-5526 #0 轉接至總機 /  E-Mail: webmaster@ctimes.com.tw