Novel Algorithms for Fast Statistical Analysis of Scaled Circuits

از آنجایی که فناوری VLSI به مقیاس نانومتری برای اندازه ویژگی‌های ترانزیستور می‌رود، تأثیر نقص‌های ساخت منجر به تغییرات زیادی در عملکرد مدار می‌شود. ابزارهای سنتی CAD برای رسیدگی به این سناریو به خوبی مجهز نیستند، زیرا آنها این ماهیت آماری پارامترها و عملکرد مدار را مدل نمی‌کنند، یا اگر انجام می‌دهند، تکنیک‌های موجود بیش از حد ساده شده یا به طور غیرقابل حلی کند هستند. الگوریتم های جدید برای تجزیه و تحلیل آماری سریع مدارهای مقیاس شده از ایده هایی برای حمله به مشکلات موازی در زمینه های فنی دیگر، مانند مالی محاسباتی، یادگیری ماشین و ریسک اکچوئری استفاده می کند و آنها را با حملات ابتکاری برای حوزه مشکل ترکیب می کند. مدارهای مجتمع. نتیجه مجموعه ای از راه حل های جدید برای مشکلات تحلیل آماری کارآمد مدارها در رژیم نانومتری است. به طور خاص، الگوریتم‌های جدید برای تجزیه و تحلیل آماری سریع مدارهای مقیاس‌دار سه کمک را ارائه می‌کند:

1) SiLVR، یک مدل‌سازی سطح پاسخ غیرخطی و استراتژی کاهش ابعاد مبتنی بر عملکرد، که به‌طور خودکار ضبط می‌کند. بینش طراح نسبت به رفتار مدار، با استخراج معیارهای کمی حساسیت های جهانی نسبی و همبستگی غیرخطی.

2) شبیه سازی سریع مدارهای مونت کارلو با استفاده از شبه مونت کارلو، که سرعت های 2× تا 50× را نسبت به مونت کارلو استاندارد نشان می دهد.

3) محاصره آماری، روشی کارآمد برای نمونه‌برداری از رویدادهای نادر و تخمین توزیع احتمال آن‌ها با استفاده از نتایج حدی از تئوری ارزش شدید، که در مدارهای تکرار بالا مانند سلول‌های SRAM اعمال می‌شود.

As VLSI technology moves to the nanometer scale for transistor feature sizes, the impact of manufacturing imperfections result in large variations in the circuit performance. Traditional CAD tools are not well-equipped to handle this scenario, since they do not model this statistical nature of the circuit parameters and performances, or if they do, the existing techniques tend to be over-simplified or intractably slow. Novel Algorithms for Fast Statistical Analysis of Scaled Circuits draws upon ideas for attacking parallel problems in other technical fields, such as computational finance, machine learning and actuarial risk, and synthesizes them with innovative attacks for the problem domain of integrated circuits. The result is a set of novel solutions to problems of efficient statistical analysis of circuits in the nanometer regime. In particular, Novel Algorithms for Fast Statistical Analysis of Scaled Circuits makes three contributions:

1) SiLVR, a nonlinear response surface modeling and performance-driven dimensionality reduction strategy, that automatically captures the designer’s insight into the circuit behavior, by extracting quantitative measures of relative global sensitivities and nonlinear correlation.

2) Fast Monte Carlo simulation of circuits using quasi-Monte Carlo, showing speedups of 2× to 50× over standard Monte Carlo.

3) Statistical blockade, an efficient method for sampling rare events and estimating their probability distribution using limit results from extreme value theory, applied to high replication circuits like SRAM cells.