SmartScaling 이는 첨단 기계 학습 알고리즘을 활용하여 실제 시뮬레이션 실행 시간을 단축함으로써, 여러 PVT 코너를 특성화하는 데 따르는 상기 문제점들을 완화하는 방법론입니다.
기술의 발전과 7nm에서 3nm로 노드 크기가 점점 더 작아지는 추세에 따라, 설계는 다양한 모드에서 작동해야 하며, 클럭 주파수가 달라질 수 있고 전반적인 변동 범위도 넓어질 것으로 예상됩니다. 따라서 설계는 방대한 수의 공정, 전압, 온도(PVT) 코너에 걸쳐 타이밍 및 전력 측면에서 사인오프 클로저를 달성해야 합니다.
이처럼 방대한 수의 PVT 코너를 특성화해야 하는 상황에서, 업계 전반의 라이브러리 팀들은 긴 시뮬레이션 소요 시간, 데이터베이스 디스크 공간 제한, 라이선스 서버 과부하, 하드웨어 비용 등의 추가적인 과제에 직면해 있습니다.
SmartScaling 다양한 PVT 조건에 대해 머신러닝(ML) 기반의 적응형 라이브러리 최적화( 라이브러리 특성화 ) 및 스케일링 기능을 제공합니다. 이는PrimeTime® 스케일링 엔진을 기반으로 구축된 새로운 방법론으로, 기존에 특성 분석이 완료된 라이브러리를 앵커 PVT 코너로 활용하여 여러 추가 PVT 조건을 즉시 생성합니다.
SmartScaling NLDM, NLPM, CCST, CCSN 및 LVF 등 다양한 라이브러리 뷰에 대한 승인 정확도를 제공합니다.
SmartScaling 의 두 가지 주요 방법은 다음과 같습니다.
방법 1
방법 2
SmartScaling 다음과 같이 여러 PVT 코너를 생성하는 데 소요되는 전체 실행 시간을 단축하는 데 도움이 됩니다 라이브러리 특성화. 사용자는 다음을 수행할 수 있습니다:
Synopsys 이 회사는 점점 더 복잡해지고 있는 환경과 더 빠르고 효율적인 PVT 코너 생성 수요를 해결하기 위해, 자사의 첨단 ‘ 라이브러리 특성화 ’ 솔루션의 일환으로 ‘ SmartScaling ’을 제공합니다. ‘ SmartScaling ’은 PrimeLib, 즉 통합된 ‘ 라이브러리 특성화 ’ 및 검증 플랫폼과 연동됩니다.
‘ SmartScaling ’을 통해 ‘ PrimeLib ’은 고객이 머신 러닝을 활용하여 앵커 PVT를 기반으로 확장함으로써 ‘ 라이브러리 특성화 ’의 실행 시간 및 스토리지 요구 사항을 줄일 수 있도록 지원합니다. 이 접근 방식은 ‘PrimeTime ’정적 타이밍 분석 와 함께 사용할 수 있는 사인오프 수준의 정확도를 갖춘 라이브러리를 제공하며, NLDM, NLPM, CCSN, CCST 및 LVF와 같은 고급 모델링 형식을 지원합니다.
SmartScaling PrimeLib의 기능을 한층 더 강화하여, 높은 정확도를 유지하면서 계산 집약적인 특성 분석에 대한 의존도를 낮추는 동시에, 추가 시뮬레이션 비용 없이 추가 PVT 코너를 즉시 생성할 수 있게 합니다.
SmartScaling 지원 사항:
Synopsys’ ‘ SmartScaling ’ 기술은 도서관 팀이 품질을 저하시키지 않으면서도 시장 출시 기간 요구 사항을 효율적으로 충족할 수 있도록 지원하며, 머신러닝(ML)이 강화된 현대적인 ‘ 라이브러리 특성화 ’ 전략을 위한 필수 도구입니다.