机器学习如何赋能EDA

在20／22nm引入FinFET以后，先进工艺变得越来越复杂。在接下来的发展中，实现“每两年将晶体管数量增加一倍，性能也提升一倍”变得越来越困难。摩尔定律的发展遇到了瓶颈，先进制程前进的脚步开始放缓。

但是由于当今先进电子设备仍需求先进工艺的支持，因此，还有一些晶圆厂还在致力于推动先进制程的继续发展。这些晶圆厂与EDA企业之间的合作，推动了先进制程的进步。从整体上看，当先进制程进入到14nm/7nm时代后，EDA工具的引入可以缩短研发周期，尤其是针对后端设计制造工具的更新，EDA起到了至关重要的作用。

EDA能够解决先进制程的哪些难题？

对于半导体晶圆代工厂而言，制造是否成功取决于其控制设计制造工艺窗口的能力，即他们不仅要能够最大限度地扩大工艺窗口，还要能够在尽可能短的时间内预防、发现、评估和修复热点。EDA的出现，有效地解决了这些在半导体制造过程中产生的难题。

7nm 以下技术给半导体制造带来的挑战

在众多EDA工具中，Mentor所推出的Calibre平台，凭借着出色性能，高准确性和可靠性，成为了IC物理验证和制造领域中的领导者，并被全球主流的晶圆厂广泛采用。

机器学习功能为EDA带来改变

当先进制程进入到10nm以后，在保障良率和性能的情况下，率先推出相关产品，成为了抢占市场先机的不二法门。在这个过程当中，EDA工具也成为了快速推动产品面市的一个因素。

但是由于晶体管密度的增加，使得与之相关的计算量也增大了数倍，因此，设计人员和晶圆代工厂需要IC设计制造软件在准确性和速度方面进行更大幅度的改进。机器学习的出现让这一难题有了解决方案。机器学习能够分担设计制造过程中耗时费工的任务，让产品生产周期缩短、设计品质提高。因此，将机器学习功能赋予EDA工具，也被业界视为是未来EDA的发展方向之一。

针对这一市场需求，Mentor推出了带有机器学习功能的Calibre IC制造工具。目前，用于IC制造的Calibre工具和应用程序已经具有完全集成的机器学习基础平台。Calibre典型的机器学习系统包含一个训练模型，目的是通过创建一个准确的模型，来正确解答IC制造过程中所出现的问题。完成训练后，需要对模型进行评估并将其用于推理。所有这些都与Calibre核心架构集成在一起，实现无缝协作。

Calibre架构整合了机器学习的体系

Calibre平台助推先进节点的面市

通过具有机器学习功能的Calibre平台，可以对IC制造应用进行改进，包括工艺建模、光学邻近效应修正(OPC)和光刻友好性设计(LFD)三个方面。

具体来看，在工艺建模领域，Calibre可以通过机器学习提高准确性。5nm及更小节点的建模准确性要求比以往更加严格，将机器学习功能赋予EDA工具能够在准确度和速度方面上有所保障。Calibre的机器学习建模架构旨在保留直接捕获物理现象的信息通道，同时在复杂性、运行时间和准确性之间保持平衡。与基准结果相比，Calibre机器学习模型在不对所测数据做任何更改的情况下，可以将模型的准确性提高多达40%。（具体实现过程可参见：https://cn.mentor.com/ic-design/resources/overview/calibre-ic-manufacturing-smarter-and-faster-with-machine-learning-97e3814a-9c44-4eab-aa54-f83807f07dbc）

（与传统工艺模型 (CM1) 相比，NNAM（神经网络辅助模型）提高了准确性。）

OPC有助于解决光的局限性，以保持原始设计在经过光刻后，其在硅晶圆上的蚀刻图像的完整性。Calibre作为OPC工具市场的领导者，也正在将更多的功能赋予这类工具，以支持日渐缩小的工艺技术路线图（最新发展已达 3 纳米节点）。这种新功能就是机器学，该功能特别有助于缩短周转时间 (交付生产所需的可制造掩膜需要花费的时间，TAT)。据Mentor官方介绍显示，采用了机器学习的Calibre OPC将运行时间缩短了3倍。除此之外，机器学习OPC还有具有额外的好处，即可以通过被称为“边缘放置误差 (EPE) ”的准确性指标来提高OPC的准确性。

（机器学习缩短了 OPC 运行时间并提高了准确性）

在10nm及更小节点上，蚀刻工艺对精确控制关键尺寸(CD)的影响变得非常重要。蚀刻工艺非常复杂，因此OPC使用了更近似的经验蚀刻模型。Calibre实现了一种适用于刻蚀模型的机器学习的新方法，经证明，可在准确性和可预测性方面实现2-4倍的改进。

（使用机器学习的蚀刻建模提高了准确性和可预测性）

除此以外，10nm以下的光刻热点检测运行时间也在持续增加，设计人员必须采用新的可制造性设计(DFM)技术来加速高级验证过程。缩短运行时间的方法之一是减少用于仿真的数据量。为满足这一市场需求，Calibre开发了一种使用机器学习的快速、准确的光刻热点检测方法。这种方法即机器学习LFD流程，也是一种“快速 LFD”流程，其中仿真区域的选择是以经训练的机器学习模型预测的位置为依据。利用此流程，Calibre用户可体验到10倍的计算速度提升。

（机器学习缩短了 OPC 运行时间并提高了准确性）

通过以上的结果表明，将机器学习功能赋予EDA可以提升半导体制造的智能化水平和速度。同时，根据美国国防高级研究计划局(DARPA)的电子资产智能设计(IDEA)项目来看，其所要推动的正是EDA工具的发展，在这个过程中，机器学习功能将发挥重要的作用。由此来看，具有机器学习功能的EDA将会成为未来半导体制造中的重要组成部分，Mentor作为其中的一份子，通过了解他所提供的新工具，或许能让我们洞悉未来半导体制造需要怎样的EDA工具。

半导体行业观察

最有深度的半导体新媒体，实时、专业、原创、深度，30万半导体精英关注！专注观察全球半导体最新资讯、技术前沿、发展趋势。

产业机器学习

相关数据

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

基准技术

一种简单的模型或启发法，用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

来源：Google ML Glossary

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

摩尔定律技术

摩尔定律是由英特尔创始人之一戈登·摩尔提出来的。其内容为：积体电路上可容纳的电晶体数目，约每隔两年便会增加一倍；经常被引用的“18个月”，是由英特尔首席执行官大卫·豪斯所说：预计18个月会将芯片的性能提高一倍。

来源：维基百科