Keysight Technologies hat das neue Machine Learning Toolkit in der aktuellen Keysight Device Modeling Software Suite vorgestellt. Diese neue Lösung reduziert die Entwicklungs- und Extraktionszeit von Modellen von Wochen auf Stunden und ermöglicht so eine schnellere Bereitstellung von Process Design Kits (PDK) und Design Technology Co-Optimization (DTCO) Anwendungen.

Hintergrund
Die Halbleiterindustrie befindet sich in einem rasanten Wandel, der durch fortschrittliche Architekturen wie Gate-All-Around-Transistoren (GAA), Materialien mit großer Bandlücke wie GaN und SiC sowie heterogene Integrationsstrategien wie Chiplets und 3D-Stapelung vorangetrieben wird.  Diese Innovationen steigern zwar die Leistung, bringen jedoch auch komplexe Herausforderungen bei der Modellierung und Parameterextraktion mit sich.

Herkömmliche Arbeitsabläufe basieren auf physikalischen kompakten Modellen und manueller Parameterextraktion, wodurch Entwickler gezwungen sind, hunderte von miteinander verbundenen Parametern über mehrere Betriebsbedingungen hinweg anzupassen – ein Prozess, der Wochen dauern kann und oft nur mit Mühe zu optimalen Ergebnissen führt. Angesichts immer knapperer Zeitpläne sind schnellere, vorausschauendere und automatisierte Modellierungslösungen auf Basis künstlicher Intelligenz/Machine Learning (KI/ML) mittlerweile unverzichtbar.

Interessante Features
Das neue Machine Learning Toolkit von Keysight mit einem ML-Optimierer, automatischen Extraktionsabläufen und Dienstprogrammen innerhalb von Device Modeling MBP 2026 begegnet diesen Herausforderungen durch die Einführung eines Frameworks, das fortschrittliche neuronale Netzwerkarchitekturen mit ML-basierter Optimierung kombiniert. Mit diesem Toolkit kann die automatische Extraktion die Schritte zur Parameterextraktion von über 200 auf weniger als 10 reduzieren, wodurch die PDK-Bereitstellung beschleunigt, DTCO automatisiert und die Markteinführungszeit verkürzt wird.

Wesentliche Merkmale und Vorteile:
beschleunigte Parameterextraktion:

Reduziert die Anzahl manueller Schritte von Hunderten auf 5 bis 6 automatisierte Schritte und ermöglicht so die globale Optimierung von über 80 Parametern in einem einzigen Durchlauf, wobei Sekundäreffekte, Temperaturschwankungen und dynamische Verhaltensweisen erfasst werden. Diese Lösung macht wiederholte manuelle Abstimmungen überflüssig und verbessert die Vorhersagegenauigkeit in den Bereichen Gleichstrom, Hochfrequenz und starke Signale.

automatisierter Workflow:

Dieser lässt sich nahtlos in die Device Modeling Platform von Keysight integrieren und unterstützt Python-basierte Anpassungen und einen robusten automatisierten Modellierungsablauf.

technologieübergreifend skalierbar:

Workflows lassen sich leicht an FinFET-, GAA-, GaN-, SiC- und bipolare Bauelemente anpassen und gewährleisten reproduzierbare und wiederverwendbare Abläufe für mehrere Prozessknoten.

verbesserte DTCO-Effizienz:

Das ermöglicht schnellere Feedback-Schleifen zwischen Bauelement- und Schaltungs-Design und reduziert die PDK-Entwicklungszyklen von Wochen auf Tage.

Statement und Fazit
Nilesh Kamdar, General Manager von Keysight EDA, sagte: „KI/ML verändert die traditionellen Arbeitsabläufe und Methoden der Kompaktmodellierung grundlegend. Mit dem neuen Machine Learning Toolkit ermöglichen wir unseren Kunden, in deutlich kürzerer Zeit vorausschauendere Modelle von höherer Qualität zu liefern – wodurch die PDK-Entwicklung beschleunigt wird und sie mit den sich schnell entwickelnden Halbleitertechnologien Schritt halten können.“

Durch den Einsatz von KI-/ML-gestützten Modellen ermöglicht Keysight Halbleiterunternehmen, Innovationen zu beschleunigen, Entwicklungsrisiken zu reduzieren und sich in einem sich schnell entwickelnden Markt einen Wettbewerbsvorteil zu sichern. 
Weitere Informationen