機器學習如何賦能EDA

在20／22nm引入FinFET以后，先進工藝變得越來越復雜。在接下來的發(fā)展中，實現(xiàn)“每兩年將晶體管數(shù)量增加一倍，性能也提升一倍”變得越來越困難。摩爾定律的發(fā)展遇到了瓶頸，先進制程前進的腳步開始放緩。

但是由于當今先進電子設備仍需求先進工藝的支持，因此，還有一些晶圓廠還在致力于推動先進制程的繼續(xù)發(fā)展。這些晶圓廠與EDA企業(yè)之間的合作，推動了先進制程的進步。從整體上看，當先進制程進入到14nm/7nm時代后，EDA工具的引入可以縮短研發(fā)周期，尤其是針對后端設計制造工具的更新，EDA起到了至關(guān)重要的作用。

EDA能夠解決先進制程的哪些難題？

對于半導體晶圓代工廠而言，制造是否成功取決于其控制設計制造工藝窗口的能力，即他們不僅要能夠最大限度地擴大工藝窗口，還要能夠在盡可能短的時間內(nèi)預防、發(fā)現(xiàn)、評估和修復熱點。EDA的出現(xiàn)，有效地解決了這些在半導體制造過程中產(chǎn)生的難題。

7nm 以下技術(shù)給半導體制造帶來的挑戰(zhàn)

在眾多EDA工具中，Mentor所推出的Calibre平臺，憑借著出色性能，高準確性和可靠性，成為了IC物理驗證和制造領(lǐng)域中的領(lǐng)導者，并被全球主流的晶圓廠廣泛采用。

機器學習功能為EDA帶來改變

當先進制程進入到10nm以后，在保障良率和性能的情況下，率先推出相關(guān)產(chǎn)品，成為了搶占市場先機的不二法門。在這個過程當中，EDA工具也成為了快速推動產(chǎn)品面市的一個因素。

但是由于晶體管密度的增加，使得與之相關(guān)的計算量也增大了數(shù)倍，因此，設計人員和晶圓代工廠需要IC設計制造軟件在準確性和速度方面進行更大幅度的改進。機器學習的出現(xiàn)讓這一難題有了解決方案。機器學習能夠分擔設計制造過程中耗時費工的任務，讓產(chǎn)品生產(chǎn)周期縮短、設計品質(zhì)提高。因此，將機器學習功能賦予EDA工具，也被業(yè)界視為是未來EDA的發(fā)展方向之一。

針對這一市場需求，Mentor推出了帶有機器學習功能的Calibre IC制造工具。目前，用于IC制造的Calibre工具和應用程序已經(jīng)具有完全集成的機器學習基礎平臺。Calibre典型的機器學習系統(tǒng)包含一個訓練模型，目的是通過創(chuàng)建一個準確的模型，來正確解答IC制造過程中所出現(xiàn)的問題。完成訓練后，需要對模型進行評估并將其用于推理。所有這些都與Calibre核心架構(gòu)集成在一起，實現(xiàn)無縫協(xié)作。

Calibre架構(gòu)整合了機器學習的體系

Calibre平臺助推先進節(jié)點的面市

通過具有機器學習功能的Calibre平臺，可以對IC制造應用進行改進，包括工藝建模、光學鄰近效應修正(OPC)和光刻友好性設計(LFD)三個方面。

具體來看，在工藝建模領(lǐng)域，Calibre可以通過機器學習提高準確性。5nm及更小節(jié)點的建模準確性要求比以往更加嚴格，將機器學習功能賦予EDA工具能夠在準確度和速度方面上有所保障。Calibre的機器學習建模架構(gòu)旨在保留直接捕獲物理現(xiàn)象的信息通道，同時在復雜性、運行時間和準確性之間保持平衡。與基準結(jié)果相比，Calibre機器學習模型在不對所測數(shù)據(jù)做任何更改的情況下，可以將模型的準確性提高多達40%。

（與傳統(tǒng)工藝模型 (CM1) 相比，NNAM（神經(jīng)網(wǎng)絡輔助模型）提高了準確性。）

OPC有助于解決光的局限性，以保持原始設計在經(jīng)過光刻后，其在硅晶圓上的蝕刻圖像的完整性。Calibre作為OPC工具市場的領(lǐng)導者，也正在將更多的功能賦予這類工具，以支持日漸縮小的工藝技術(shù)路線圖（最新發(fā)展已達 3 納米節(jié)點）。這種新功能就是機器學，該功能特別有助于縮短周轉(zhuǎn)時間 (交付生產(chǎn)所需的可制造掩膜需要花費的時間，TAT)。據(jù)Mentor官方介紹顯示，采用了機器學習的Calibre OPC將運行時間縮短了3倍。除此之外，機器學習OPC還有具有額外的好處，即可以通過被稱為“邊緣放置誤差 (EPE) ”的準確性指標來提高OPC的準確性。

（機器學習縮短了 OPC 運行時間并提高了準確性）

在10nm及更小節(jié)點上，蝕刻工藝對精確控制關(guān)鍵尺寸(CD)的影響變得非常重要。蝕刻工藝非常復雜，因此OPC使用了更近似的經(jīng)驗蝕刻模型。Calibre實現(xiàn)了一種適用于刻蝕模型的機器學習的新方法，經(jīng)證明，可在準確性和可預測性方面實現(xiàn)2-4倍的改進。

（使用機器學習的蝕刻建模提高了準確性和可預測性）

除此以外，10nm以下的光刻熱點檢測運行時間也在持續(xù)增加，設計人員必須采用新的可制造性設計(DFM)技術(shù)來加速高級驗證過程?？s短運行時間的方法之一是減少用于仿真的數(shù)據(jù)量。為滿足這一市場需求，Calibre開發(fā)了一種使用機器學習的快速、準確的光刻熱點檢測方法。這種方法即機器學習LFD流程，也是一種“快速 LFD”流程，其中仿真區(qū)域的選擇是以經(jīng)訓練的機器學習模型預測的位置為依據(jù)。利用此流程，Calibre用戶可體驗到10倍的計算速度提升。

（機器學習縮短了 OPC 運行時間并提高了準確性）

通過以上的結(jié)果表明，將機器學習功能賦予EDA可以提升半導體制造的智能化水平和速度。同時，根據(jù)美國國防高級研究計劃局(DARPA)的電子資產(chǎn)智能設計(IDEA)項目來看，其所要推動的正是EDA工具的發(fā)展，在這個過程中，機器學習功能將發(fā)揮重要的作用。由此來看，具有機器學習功能的EDA將會成為未來半導體制造中的重要組成部分，Mentor作為其中的一份子，通過了解他所提供的新工具，或許能讓我們洞悉未來半導體制造需要怎樣的EDA工具