Thu, May 11, 2023 8:00 AM - 9:00 AM CST
半導體設計過程的改善需要瞭解和考慮不確定性。在製造最終晶片的過程中,材料和工藝都存在不確定性。即使是生產出完全相同的晶片,每個晶片也可能被放入不同的設備和環境中,引入諸如使用和冷卻環境等不確定性。
在此種不確定性下確定最佳可靠配置是困難的,並且可能需要使用傳統方法大量進行模擬。例如,對於處理、功耗、熱散熱和冷卻系統之間的相互作用建模,需要依賴複雜的基於物理的類比,如CFD和FEA。
可以使用敏感度分析等技術來瞭解性能不確定性的主要因素,但這些技術往往需要不可行的大量蒙地卡羅式的資料樣本才能產生可靠的結果。
解決方案是首先使用智慧取樣計畫收集過程或複雜模擬的資料,並使用機器學習模型進行訓練。一旦訓練完成,機器學習模型可以快速進行準確預測,並取代進一步基於物理的模擬或收集物理資料的需求。消除計算成本障礙後,可以進行許多原本不可行的分析,以改善設計過程。
加入我們的網路研討會,瞭解如何利用人工智慧和機器學習來改善半導體設計過程。