機器學習如何賦能EDA

半导体行业观察發表於2020-06-22
原文網址 : https://www.jiqizhixin.com/articles/2020-06-22-3
機器學習

在20／22nm引入FinFET以後，先進工藝變得越來越複雜。在接下來的發展中，實現“每兩年將電晶體數量增加一倍，效能也提升一倍”變得越來越困難。摩爾定律的發展遇到了瓶頸，先進製程前進的腳步開始放緩。

但是由於當今先進電子裝置仍需求先進工藝的支援，因此，還有一些晶圓廠還在致力於推動先進製程的繼續發展。這些晶圓廠與EDA企業之間的合作，推動了先進製程的進步。從整體上看，當先進製程進入到14nm/7nm時代後，EDA工具的引入可以縮短研發週期，尤其是針對後端設計製造工具的更新，EDA起到了至關重要的作用。

EDA能夠解決先進製程的哪些難題？

對於半導體晶圓代工廠而言，製造是否成功取決於其控制設計製造工藝視窗的能力，即他們不僅要能夠最大限度地擴大工藝視窗，還要能夠在儘可能短的時間內預防、發現、評估和修復熱點。EDA的出現，有效地解決了這些在半導體制造過程中產生的難題。
機器學習如何賦能EDA
7nm 以下技術給半導體制造帶來的挑戰
在眾多EDA工具中，Mentor所推出的Calibre平臺，憑藉著出色效能，高準確性和可靠性，成為了IC物理驗證和製造領域中的領導者，並被全球主流的晶圓廠廣泛採用。

機器學習功能為EDA帶來改變

當先進製程進入到10nm以後，在保障良率和效能的情況下，率先推出相關產品，成為了搶佔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品面市的一個因素。

但是由於電晶體密度的增加，使得與之相關的計算量也增大了數倍，因此，設計人員和晶圓代工廠需要IC設計製造軟體在準確性和速度方面進行更大幅度的改進。機器學習的出現讓這一難題有了解決方案。機器學習能夠分擔設計製造過程中耗時費工的任務，讓產品生產週期縮短、設計品質提高。因此，將機器學習功能賦予EDA工具，也被業界視為是未來EDA的發展方向之一。

針對這一市場需求，Mentor推出了帶有機器學習功能的Calibre IC製造工具。目前，用於IC製造的Calibre工具和應用程式已經具有完全整合的機器學習基礎平臺。Calibre典型的機器學習系統包含一個訓練模型，目的是透過建立一個準確的模型，來正確解答IC製造過程中所出現的問題。完成訓練後，需要對模型進行評估並將其用於推理。所有這些都與Calibre核心架構整合在一起，實現無縫協作。
機器學習如何賦能EDA
Calibre架構整合了機器學習的體系

Calibre平臺助推先進節點的面市

透過具有機器學習功能的Calibre平臺，可以對IC製造應用進行改進，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，在工藝建模領域，Calibre可以透過機器學習提高準確性。5nm及更小節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旨在保留直接捕獲物理現象的資訊通道，同時在複雜性、執行時間和準確性之間保持平衡。與基準結果相比，Calibre機器學習模型在不對所測資料做任何更改的情況下，可以將模型的準確性提高多達40%。（具體實現過程可參見：https://cn.mentor.com/ic-design/resources/overview/calibre-ic-manufacturing-smarter-and-faster-with-machine-learning-97e3814a-9c44-4eab-aa54-f83807f07dbc）
機器學習如何賦能EDA
（與傳統工藝模型 (CM1) 相比，NNAM（神經網路輔助模型）提高了準確性。）
OPC有助於解決光的侷限性，以保持原始設計在經過光刻後，其在矽晶圓上的蝕刻影像的完整性。Calibre作為OPC工具市場的領導者，也正在將更多的功能賦予這類工具，以支援日漸縮小的工藝技術路線圖（最新發展已達 3 奈米節點）。這種新功能就是機器學，該功能特別有助於縮短週轉時間 (交付生產所需的可製造掩膜需要花費的時間，TAT)。據Mentor官方介紹顯示，採用了機器學習的Calibre OPC將執行時間縮短了3倍。除此之外，機器學習OPC還有具有額外的好處，即可以透過被稱為“邊緣放置誤差 (EPE) ”的準確性指標來提高OPC的準確性。
機器學習如何賦能EDA
（機器學習縮短了 OPC 執行時間並提高了準確性）
在10nm及更小節點上，蝕刻工藝對精確控制關鍵尺寸(CD)的影響變得非常重要。蝕刻工藝非常複雜，因此OPC使用了更近似的經驗蝕刻模型。Calibre實現了一種適用於刻蝕模型的機器學習的新方法，經證明，可在準確性和可預測性方面實現2-4倍的改進。
機器學習如何賦能EDA
（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執行時間也在持續增加，設計人員必須採用新的可製造性設計(DFM)技術來加速高階驗證過程。縮短執行時間的方法之一是減少用於模擬的資料量。為滿足這一市場需求，Calibre開發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，其中模擬區域的選擇是以經訓練的機器學習模型預測的位置為依據。利用此流程，Calibre使用者可體驗到10倍的計算速度提升。
機器學習如何賦能EDA
（機器學習縮短了 OPC 執行時間並提高了準確性）
透過以上的結果表明，將機器學習功能賦予EDA可以提升半導體制造的智慧化水平和速度。同時，根據美國國防高階研究計劃局(DARPA)的電子資產智慧設計(IDEA)專案來看，其所要推動的正是EDA工具的發展，在這個過程中，機器學習功能將發揮重要的作用。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，透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。

相關文章