تحلیل همزمان پیری تصادفی ترانزیستورها و نوسان فرآیند در سیستمهای دیجیتال با توسعه مدل یادگیری ماشین برای سلولهای استاندارد

امروزه قابلیت اعتماد یکی از چالش های اساسی در طراحی مدارات نانومتری است. پیری ترانزیستورها و نوسان فرایند دو عامل مهم موثر بر قابلیت اعتماد هستند. باگذشت زمان ترانزیستورها پیر می شوند به این معنی که مشخصات ترانزیستورها و به طور ویژه ولتاژ آستانه آنها تغییر می کند که سبب افزایش تاخیر می گردد. این افزایش تاخیر در نهایت باعث تخطی از محدودیت های زمانی و نادرست بودن عملکرد مدار می گردد. پدیده های گوناگونی سبب پیری ترانزیستورها می شوند که ناپایداری حرارتی بایاس (BTI) یکی از مهم ترین آنها است. این پدیده در تکنولوژی های ساخت پیشرفته امروزی ماهیتی تصادفی از خود نشان می دهد و برای توصیف آن مدل های اتمی ارائه شده است. نوسان فرایند به تغییرات تصادفی مشخصات ترانزیستور و مدار با مقادیر مورد انتظار گفته می­شود که به سبب غیر ایده­آل بودن فرایند ساخت و غالبا تحت تاثیر فرایند لیتوگرافی ایجاد می­شوند. تحلیل هم زمان این پدیده ها به بهبود طراحی کمک زیادی می کند. امروزه که نقطه شروع طراحی سیستم های دیجیتال به سطوح بالاتر انتزاع رفته است، به منظور جستجوی موثر فضای طراحی نیازمند مدل های سریع و دقیق برای ارزیابی قابلیت اعتماد مدارها هستیم. در این مقاله با توسعه مدل های مبتنی بر یادگیری ماشین برای تحلیل هم زمان پیری و نوسان فرایند سلول های استاندارد، یک روش تحلیل بر پایه مونت کارلو پیشنهاد شده است. نتایج آزمایش نشان دهنده بهبود زمان تحلیل با میانگین ۴۹ درصد و ۷/۸۸ درصد نسبت به دو روش پیشرفته معرفی شده در مقالات است. این بهبود هم زمان با حفظ دقت تحلیل به دست آمده است. البته برای رسیدن به این بهبود زمان زیادی صرف آموزش مدل ها می شود که آن هم یک بار و به صورت آفلاین انجام می شود و تاثیری در زمان اجرا ندارد.   [i] Bias temperature instability

کلیدواژه ها:

Reliability ، Stochastic Aging ، Process Variation ، NBTI ، Monte Carlo ، Aging. ، قابلیت اعتماد ، پیری تصادفی ، نوسان فرآیند ، مونت کارلو ، NBTI ، Aging.