中文 英语
德赢vwin
的意见

生产设计流程的时序库LVF验证

验证LVF数据的准确性和正确性是实现定时闭合和硅成功的关键因素。

受欢迎程度

在过去的几年中,变异建模已经从代表片上变异(OCV)的单一降价因素发展到自由变异格式(LVF),这是当今领先的标准格式,它将变异信息封装在定时库(.libs)中。

LVF数据被认为是22nm及以下先进工艺节点的要求。在最小的进程节点(如7nm和5nm)上,延迟和约束等时序属性可能会由于变化而改变额定延迟的50%-100%。这意味着不正确的lff值可能会导致定时闭合问题和潜在的硅故障,如果没有识别和修复。

由于lff表征涉及到库单元SPICE网表的蒙特卡罗分析,所以今天的大多数表征方法利用近似来使生产计划的运行时可行。因此,验证lff数据的准确性和正确性已经成为实现定时闭合和硅成功的关键因素。

门拓是西门子的一家企业,为lpf数据提供全面的闭环验证。Mentor的Solido Analytics使用机器学习广泛覆盖lff数据,自动识别整个数据集中的异常值和潜在问题。Solido变型设计师完成验证循环,对Solido Analytics确定的问题区域运行完整的蒙特卡罗等效验证。

介绍

在。libs中的变异建模已经在半导体行业中使用了十多年。变型建模的主要目的是解释电路布局设计师使用EDA工具绘制的图形和使用光刻工艺实际制造的图形之间的局部硅差异。因为目前还没有可行的方法来确定性地模拟这些影响,所有这些影响都被累积成“片上变异”(OCV)值,这将悲观主义添加到时间库中。

由于每个较小的过程节点对OCV的影响越来越大,时间库变化建模方法在过去几年中发生了显著变化。虽然单一降额因素对更大的工艺节点(如130nm及以上)有效,但今天的先进工艺节点22nm及更小的需要更细粒度的变异值分配。

对于这些较小的流程节点,Liberty变体格式(lff)已经成为领先的标准格式,用于封装标准单元格、内存和自定义宏的变体信息。如果您有一个高级的流程节点库,那么您的延迟和约束的变化建模很可能在lff .lib中描述。

什么是自由变体格式(lff),它如何影响时间?

lff是Liberty格式的扩展,它将统计变化信息添加到定时测量中。

标称计时库包含许多查询表,这些查询表包括计时信息,如单元延迟、转换时间以及库中所有单元的设置和保持约束。lff扩展了这些信息,为每个测量的早期和晚期统计变异(sigma)值添加了额外的表。

在数字设计的静态时序分析(STA)中,时序工具包含LVF σ值,以增加时序路径的悲观性。作为一个简单的例子,对于组合逆变器的时序弧,当STA工具计算设置时序的路径延迟时,它将从后期sigma LVF表中添加值到单元延迟。这增加了对这一时机路径的悲观情绪。

以下描述了在我们的简单例子中,在单元格延迟计时过程中发生的事情:

在设置定时模式下:带LVF的小区下降延时=标称小区下降延时+ LVF小区下降延时sigma(后期)

在实践中,STA工具通常设置为LVF σ值乘以3,以在执行时间分析时考虑3 σ变化。

随着Moments的引入,lff还包含了其他统计测量值:标准差、平均值偏离标称值和偏度(图1和图2)。这使得每个测量值的统计分布建模更加准确,特别是对于非高斯分布。


图1:带有Moments的LVF .libs包含每个测量条目的标准偏差值


图2:带有Moments的LVF .libs还包括每个测量条目的高阶统计矩(如偏度)

在诸如7nm和5nm等先进工艺节点上,由于LVF .libs的变化成分,延迟和约束等时序属性可能会改变额定延迟的50%-100%。这意味着不正确的lff数据可以很容易地使芯片的定时分析失效,无论您的标称定时。libs的准确性如何。

验证LVF数据是硅如期成功的关键一步

如上所示,与标称值时序模型不同,lff变异模型包含了大量的统计变异信息。正因为如此,表征lf模型需要蒙特卡罗分析,导致表征过程更长。使用蛮力蒙特卡罗来表征.lib中的所有lff值将导致对每个表项进行数千个蒙特卡罗SPICE模拟,将表征运行时间提高几个数量级。由于明显的原因,这不是描述整个.lib的可行方法。

为了使LVF表征可行,表征工具使用了各种技术,如网络列表约简和基于灵敏度的近似,以减少运行时间。这些近似方法能够将运行时间“仅”减少到标准时间表征运行时间的5 -10倍。然而,这些近似通常也会引入不准确性的结果。libs,导致不正确的静态时序分析(STA)结果,并可能导致硅失效。

lf数据不准确的一个常见来源是长尾分布的蛮力蒙特卡罗模拟和近似蒙特卡罗模拟之间的差异(图3)。lf数据通常在3σ (3σ)测量。对于长尾分布,即使使用蛮力蒙特卡罗方法,对于给定的标准差,输出值(例如,延迟和约束)有较大的差异。因此,表征过程中近似值增加的任何不准确性都会放大输出值的这些差异,从而导致lff数据更加不准确。


图3:用于LVF数据的长尾值的不准确性可能导致时差和潜在的硅故障

在当今的设计流程中,一个全面而可靠的方法来验证LVF数据是至关重要的。如果没有这一步,设计团队可能会暴露在故障或有噪声的lpf值中,可能会在生产精确范围之外使时序结果发生50%-100%的变化,从而导致时序关闭问题、延迟和潜在的硅故障。

对LVF变异模型进行全面的闭环验证

为高级流程节点的标准单元和定制宏进行有效的变异建模的关键步骤是为变异模型提供一种高度可靠的验证方法。验证方法应该涵盖所有过程、电压和温度(PVT)角的变化影响因素,并能够为任何问题区域提供完整的蒙特卡罗等效验证。

传统的验证方法,如对随机选择的lff数据点执行蛮力蒙特卡罗,是非常缓慢的。用这种方法为具有千兆字节数据的整个lff .libs提供足够的覆盖是不可行的。基于规则的检查可以很好地检测结构和语法问题,但在检测异常值或错误/噪声lff数据值时,通常是不可靠的。

与传统方法不同,Mentor的Solido产品通过利用机器学习方法,为lff提供全面的闭环验证。Solido Analytics使用机器学习来分析库的所有pvt的全变化模型数据集,自动识别异常值和潜在问题。Solido Variation Designer通过深入挖掘潜在的问题区域并在这些数据点上运行完整的Monte carlo等效验证来完成验证循环(图4)。

整个过程实现了与运行蛮力蒙特卡罗等效的精度,但模拟次数减少了100倍(即运行速度加快了100倍),并且适用于3-sigma和更高的sigma目标。


图4:闭环lff验证:分析全覆盖分析,在数十亿价值的“海洋”中寻找异常值;变异设计器提供蒙特卡罗+ spice跨全pvt精确的结果

总结

使用LVF的变化模型允许芯片设计者封装统计变化数据,以补充公称时间值,这对于22nm及以下的先进工艺节点是必需的。

由于运行蒙特卡罗分析需要长时间的运行时间,在lpf数据的表征过程中使用了许多近似方法。这将导致不正确/不准确的lff数据,可能导致定时关闭问题和硅故障。因此,LVF验证是使用LVF的设计流程中的关键步骤。

Mentor为LVF数据提供全面的闭环验证。Mentor的Solido Analytics使用机器学习来处理大范围lbf数据,自动识别整个数据集中的异常值和潜在问题。Solido变异设计师通过对分析识别的问题区域运行完整的蒙特卡罗等效验证来完成验证循环。



1评论

太阳 说:

我们如何找到LVf ?通过标准偏差??

留下一个回复


(注意:此名称将公开显示)