账号:
密码:
CTIMES/SmartAuto / 新闻 /
AI深入EDA设计 Mentor以机器学习强化CMP建模
 

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

浏览人次:【799】
  

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
强调系统导向 Mentor技术论坛推IC设计新思维
AI与云端平台正在改变EDA设计流程
国微技术成功申报国家重大科技专项
AI技术导入EDA设计 富比库首创智慧云端零件资料库管理平台
[ARM Tech Day]DesignStart计画再延伸 ARM与客户关系更密切
comments powered by Disqus
相关讨论
  相关新品
CWFA205: WiFi+BT
原厂/品牌:鉅景
供应商:鉅景
產品類別:RF
GPS SiP Module
原厂/品牌:鉅景
供应商:鉅景
產品類別:RF
CGPA10x: GPS SiP
原厂/品牌:鉅景
供应商:鉅景
產品類別:RF
  相关产品
» ST:功能安全将是工业4.0的重中之重
» 伺服器48V新标准正热 Vicor三相RFM满足机架电源新挑战
» 瑞萨电子推出单一封装的简化型数位电源模组系列产品
» 智原推出新款最小面积的USB 2.0 OTG PHY IP
» 创惟发表快速读取的UHS-I读卡机控制晶片
  相关文章
» EDA跨入云端环境新时代
» 人工智慧正在改变EDA的设计流程
» 机器学习实现AI与EDA的完美匹配
» 新创公司富比库打造EDA云端管理平台
» 简化ARM Cortex-M0+物联网嵌入式设计

AD


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 ©1999-2019 远播信息股份有限公司版权所有 Powered by O3
地址:台北市中山北路三段29号11楼 / 电话 (02)2585-5526 / E-Mail: webmaster@ctimes.com.tw