使用机器学习改善库特征提取的质量和运行时间

基于静态时序分析（STA）的现代设计流程非常依赖标准单元、IO、存储器和定制模块的特征化Liberty模型。高效、准确的库特征提取是全芯片或模块级设计流程的关键步骤之一，因为它能确保所有库单元在所有预期工作条件下按规范运行。但由于特征化数据的复杂性和数量，传统的库特征提取和验证在计算和工程工作量方面的成本变得越来越高昂。

传统的库特征提取流程

随着特征提取需求逐渐超越传统方法的可扩展性，发生进度延迟、特征提取结果验证不完整以及因芯片失效导致重新设计的风险与日俱增。

传统的库特征提取方法依靠简单粗暴的仿真来生成所有特征化结果。由于需要的仿真数量不断增加，特征提取需求开始令这一方法不堪重负。过长的特征提取运行时间是导致生产计划日益延长的主要原因之一，与此同时，为提升处理能力而进行的精度折衷有可能导致过度设计，进而产生糟糕的功耗、性能和面积指标。

库验证同样面临这样的艰巨挑战。第一代库验证工具提供基于规则的静态检查，而且无法检测到许多严重问题和数据异常值。调试和修复Liberty模型问题需要结合使用验证工具的输出和内部脚本，方能解析和理解库的出错日志。这些因素叠加在一起，致使Liberty文件的验证过程不仅冗长而且不完整，从而导致进度延迟，并有可能需要重新设计。

基于革命性的创新方法，通过数学建模和机器学习实现快速、精确的库特征提取和验证。这些方法可显著加快特征提取的速度，在所有工艺、电压和温度（PVT）条件下都能将具有产品级精度的针对整个库的特征提取速度提高2-4倍，而且还能近乎即时地为更多PVT生成特征提取数据。

对于库验证，一种支持机器学习的验证方法可以始终以检测特征化数据中的异常值来识别Liberty模型问题的新分类。信息可视化辅助方法大幅简化了调试和修复问题的过程，将完整的Liberty验证所需的时间从几周缩短至几个小时。