elektronik-news.com
19
'26
Written on Modified on
Keysight ergänzt KI-Modellierungstoolkit für schnellere PDK-Entwicklung
Das neue Softwaremodul automatisiert die Parameterextraktion für kompakte Gerätemodelle und unterstützt DTCO-Workflows für Advanced Node-, RF- und Power-Halbleiter.
www.keysight.com
Das Machine Learning Toolkit beschleunigt die Modellentwicklung von Wochen auf Stunden.
Mit dem Übergang zu Gate-all-around-Architekturen, Wide-Bandgap-Materialien und chipletbasierten Integrationsansätzen werden Compact-Model-Erstellung und Parameterextraktion zunehmend zu kritischen Engpässen in der Design-Enablement-Kette. Keysight Technologies hat ein Machine Learning Toolkit innerhalb der Keysight Device Modeling Software Suite eingeführt, um Device Modeling und Process Design Kit (PDK)-Entwicklung zu beschleunigen.
Warum Modellierung und Extraktion bei Advanced Nodes ausbremsen
Fortschrittliche Architekturen wie Gate-all-around-Transistoren (GAA), heterogene Integrationsstrategien wie Chiplets und 3D-Stacking sowie der Einsatz von GaN- und SiC-Technologien erhöhen die Anzahl der Betriebsbedingungen und Sekundäreffekte, die Modelle abbilden müssen. In vielen Workflows basieren Modellierungsprozesse weiterhin auf kompakten physikalischen Modellen und manueller Parameteranpassung, bei der hunderte miteinander gekoppelte Parameter über verschiedene Bias-, Temperatur- und Signalbedingungen hinweg iterativ abgestimmt werden.
Dieser manuelle Prozess kann Wochen dauern – insbesondere dann, wenn ein guter Fit stark von Expertenwissen und wiederholten Iterationen abhängt, statt auf einem reproduzierbaren Optimierungsmechanismus zu basieren. Mit enger werdenden Zeitplänen steigt der Druck hin zu automatisierten Extraktionsworkflows, die schneller prädiktive Modelle für Device- und Circuit-Teams liefern können, vor allem in DTCO-Programmen.
ML-gestützte Extraktion innerhalb von Device Modeling MBP 2026
Das Machine Learning Toolkit wird als Teil des aktuellen Releases der Device Modeling Software Suite bereitgestellt und ist in Device Modeling MBP 2026 umgesetzt. Das Toolkit umfasst einen ML-Optimizer, automatisierte Extraktionsflows sowie unterstützende Utilities. Ziel ist es, zeitintensive manuelle Extraktionsschleifen durch ML-basierte Optimierung unter Nutzung neuronaler Netzwerkarchitekturen zu ersetzen.
Keysight beschreibt, dass sich die gesamte Entwicklungs- und Extraktionszeit für Modelle von Wochen auf Stunden reduzieren lässt, um PDKs schneller auszurollen und DTCO-Anwendungen schneller zu entwickeln.
Von hunderten manuellen Schritten zur automatisierten globalen Optimierung
Ein zentraler technischer Fokus liegt auf der Reduktion des Extraktionsaufwands selbst. In klassischen Workflows können mehr als 200 einzelne Extraktionsschritte anfallen, bei denen Parameter iterativ angepasst werden, sobald die Modellgüte über verschiedene Bedingungen hinweg abweicht. Der automatisierte Extraktionsflow des Toolkits soll diesen Ablauf auf weniger als zehn Schritte reduzieren, in einer beschriebenen Konfiguration auf etwa fünf bis sechs automatisierte Schritte.
Innerhalb dieses Prozesses unterstützt das Toolkit die globale Optimierung von mehr als 80 Parametern in einem Durchlauf. Der Extraktionsansatz ist darauf ausgelegt, Sekundäreffekte, Temperaturschwankungen und dynamisches Verhalten zu erfassen und gleichzeitig den Bedarf an wiederholtem manuellem Retuning zu senken. Die resultierenden Modelle sind für DC-, RF- und Strong-Signal-Anwendungen vorgesehen.
Integration in bestehende EDA-Automatisierungspipelines
Das Toolkit ist für die Integration in Keysights Device Modeling Platform ausgelegt und unterstützt Python-basierte Anpassungen. Das ist relevant für Umgebungen, in denen Modellierungsteams Workflows über Prozessknoten und Device-Familien hinweg standardisieren und versionieren müssen und in denen die Modellerstellung sauber an Validierungsdatensätze und PDK-Release-Pipelines angebunden werden soll.
Damit positioniert sich das Modul als Baustein für eine stärker automatisierte „Model-to-PDK“-Pipeline, in der Extraktionsrezepte wiederverwendet und adaptiert werden können, statt bei jeder neuen Prozessgeneration neu aufgebaut zu werden.
Technologieabdeckung: FinFET, GAA, GaN, SiC und bipolare Bauelemente
Keysight positioniert das Machine Learning Toolkit als skalierbar über mehrere Gerätetechnologien hinweg, darunter FinFET- und GAA-Transistorknoten sowie GaN- und SiC-Wide-Bandgap-Devices und bipolare Bauelemente. Ziel ist reproduzierbares Arbeiten über unterschiedliche Prozessknoten hinweg, mit wiederverwendbaren Workflows, die auf mehrere Device-Typen angewendet werden können, statt jedes Mal manuell angepasst zu werden.
Für Halbleiterteams mit gemischten Portfolios aus Advanced Logic, RF-Front-End und Power wirkt sich diese Workflow-Portabilität direkt auf die Geschwindigkeit des Design Enablement aus und darauf, wie schnell validierte Modelle in Circuit-Design-Umgebungen verfügbar sind.
DTCO-Effekt über kürzere PDK-Zyklen
Keysight verknüpft das Toolkit direkt mit DTCO-Effizienz, indem es die Feedbackschleife zwischen Device Modeling und Circuit Design verkürzt. Das Release stellt dies als Ansatz dar, PDK-Entwicklungszyklen von Wochen auf Tage zu reduzieren, indem Parameterextraktion beschleunigt, Modellprädiktivität erhöht und Schritte automatisiert werden, die sonst wiederholte Expertenintervention erfordern.
In der Praxis unterstützt dies schnellere Iterationen zwischen Komponenten- und Schaltungsebene, insbesondere in Advanced-Node-Programmen, bei denen die PDK-Reife eng an Tape-out-Zeitpläne gekoppelt ist und Modellgenauigkeit über breitere Betriebsbereiche stabil bleiben muss.
www.keysight.com
Mit dem Übergang zu Gate-all-around-Architekturen, Wide-Bandgap-Materialien und chipletbasierten Integrationsansätzen werden Compact-Model-Erstellung und Parameterextraktion zunehmend zu kritischen Engpässen in der Design-Enablement-Kette. Keysight Technologies hat ein Machine Learning Toolkit innerhalb der Keysight Device Modeling Software Suite eingeführt, um Device Modeling und Process Design Kit (PDK)-Entwicklung zu beschleunigen.
Warum Modellierung und Extraktion bei Advanced Nodes ausbremsen
Fortschrittliche Architekturen wie Gate-all-around-Transistoren (GAA), heterogene Integrationsstrategien wie Chiplets und 3D-Stacking sowie der Einsatz von GaN- und SiC-Technologien erhöhen die Anzahl der Betriebsbedingungen und Sekundäreffekte, die Modelle abbilden müssen. In vielen Workflows basieren Modellierungsprozesse weiterhin auf kompakten physikalischen Modellen und manueller Parameteranpassung, bei der hunderte miteinander gekoppelte Parameter über verschiedene Bias-, Temperatur- und Signalbedingungen hinweg iterativ abgestimmt werden.
Dieser manuelle Prozess kann Wochen dauern – insbesondere dann, wenn ein guter Fit stark von Expertenwissen und wiederholten Iterationen abhängt, statt auf einem reproduzierbaren Optimierungsmechanismus zu basieren. Mit enger werdenden Zeitplänen steigt der Druck hin zu automatisierten Extraktionsworkflows, die schneller prädiktive Modelle für Device- und Circuit-Teams liefern können, vor allem in DTCO-Programmen.
ML-gestützte Extraktion innerhalb von Device Modeling MBP 2026
Das Machine Learning Toolkit wird als Teil des aktuellen Releases der Device Modeling Software Suite bereitgestellt und ist in Device Modeling MBP 2026 umgesetzt. Das Toolkit umfasst einen ML-Optimizer, automatisierte Extraktionsflows sowie unterstützende Utilities. Ziel ist es, zeitintensive manuelle Extraktionsschleifen durch ML-basierte Optimierung unter Nutzung neuronaler Netzwerkarchitekturen zu ersetzen.
Keysight beschreibt, dass sich die gesamte Entwicklungs- und Extraktionszeit für Modelle von Wochen auf Stunden reduzieren lässt, um PDKs schneller auszurollen und DTCO-Anwendungen schneller zu entwickeln.
Von hunderten manuellen Schritten zur automatisierten globalen Optimierung
Ein zentraler technischer Fokus liegt auf der Reduktion des Extraktionsaufwands selbst. In klassischen Workflows können mehr als 200 einzelne Extraktionsschritte anfallen, bei denen Parameter iterativ angepasst werden, sobald die Modellgüte über verschiedene Bedingungen hinweg abweicht. Der automatisierte Extraktionsflow des Toolkits soll diesen Ablauf auf weniger als zehn Schritte reduzieren, in einer beschriebenen Konfiguration auf etwa fünf bis sechs automatisierte Schritte.
Innerhalb dieses Prozesses unterstützt das Toolkit die globale Optimierung von mehr als 80 Parametern in einem Durchlauf. Der Extraktionsansatz ist darauf ausgelegt, Sekundäreffekte, Temperaturschwankungen und dynamisches Verhalten zu erfassen und gleichzeitig den Bedarf an wiederholtem manuellem Retuning zu senken. Die resultierenden Modelle sind für DC-, RF- und Strong-Signal-Anwendungen vorgesehen.
Integration in bestehende EDA-Automatisierungspipelines
Das Toolkit ist für die Integration in Keysights Device Modeling Platform ausgelegt und unterstützt Python-basierte Anpassungen. Das ist relevant für Umgebungen, in denen Modellierungsteams Workflows über Prozessknoten und Device-Familien hinweg standardisieren und versionieren müssen und in denen die Modellerstellung sauber an Validierungsdatensätze und PDK-Release-Pipelines angebunden werden soll.
Damit positioniert sich das Modul als Baustein für eine stärker automatisierte „Model-to-PDK“-Pipeline, in der Extraktionsrezepte wiederverwendet und adaptiert werden können, statt bei jeder neuen Prozessgeneration neu aufgebaut zu werden.
Technologieabdeckung: FinFET, GAA, GaN, SiC und bipolare Bauelemente
Keysight positioniert das Machine Learning Toolkit als skalierbar über mehrere Gerätetechnologien hinweg, darunter FinFET- und GAA-Transistorknoten sowie GaN- und SiC-Wide-Bandgap-Devices und bipolare Bauelemente. Ziel ist reproduzierbares Arbeiten über unterschiedliche Prozessknoten hinweg, mit wiederverwendbaren Workflows, die auf mehrere Device-Typen angewendet werden können, statt jedes Mal manuell angepasst zu werden.
Für Halbleiterteams mit gemischten Portfolios aus Advanced Logic, RF-Front-End und Power wirkt sich diese Workflow-Portabilität direkt auf die Geschwindigkeit des Design Enablement aus und darauf, wie schnell validierte Modelle in Circuit-Design-Umgebungen verfügbar sind.
DTCO-Effekt über kürzere PDK-Zyklen
Keysight verknüpft das Toolkit direkt mit DTCO-Effizienz, indem es die Feedbackschleife zwischen Device Modeling und Circuit Design verkürzt. Das Release stellt dies als Ansatz dar, PDK-Entwicklungszyklen von Wochen auf Tage zu reduzieren, indem Parameterextraktion beschleunigt, Modellprädiktivität erhöht und Schritte automatisiert werden, die sonst wiederholte Expertenintervention erfordern.
In der Praxis unterstützt dies schnellere Iterationen zwischen Komponenten- und Schaltungsebene, insbesondere in Advanced-Node-Programmen, bei denen die PDK-Reife eng an Tape-out-Zeitpläne gekoppelt ist und Modellgenauigkeit über breitere Betriebsbereiche stabil bleiben muss.
www.keysight.com
Fordern Sie weitere Informationen an…
