A Keysight lança um kit de ferramentas de aprendizado de máquina para acelerar a modelagem de dispositivos e o desenvolvimento de PDKs

A Keysight Technologies, Inc. (NYSE: KEYS) anunciou hoje o lançamento do novo Machine Learning Toolkit na versão mais recente do Keysight Device Modeling Software Suite. Essa nova solução reduz o tempo de desenvolvimento e extração de modelos de semanas para horas, permitindo uma entrega mais rápida do Process Design Kit (PDK) e a implementação de aplicações de Co-Otimização de Tecnologia de Projeto (DTCO).

A indústria de semicondutores está passando por uma rápida transformação, impulsionada por arquiteturas avançadas, como os transistores gate-all-around (GAA), materiais de banda larga, como GaN e SiC, e estratégias de integração heterogênea, incluindo chiplets e empilhamento 3D. Embora essas inovações impulsionem o desempenho, elas também criam desafios complexos de modelagem e extração de parâmetros. Os fluxos de trabalho tradicionais dependem de modelos compactos baseados em física e da extração manual de parâmetros, obrigando os engenheiros a ajustar centenas de parâmetros interconectados em diversas condições operacionais — um processo que pode levar semanas e que, muitas vezes, tem dificuldade em alcançar resultados ideais. Com cronogramas cada vez mais apertados, soluções de modelagem mais rápidas, mais preditivas e automatizadas, impulsionadas por inteligência artificial e aprendizado de máquina (IA/ML), são agora essenciais.

O novo Machine Learning Toolkit da Keysight, que inclui um otimizador de ML, fluxos de extração automática e utilitários no Device Modeling MBP 2026, enfrenta esses desafios ao apresentar uma estrutura que combina arquiteturas avançadas de redes neurais com otimização baseada em ML. Com esse kit de ferramentas, a extração automática pode reduzir as etapas de extração de parâmetros de mais de 200 para menos de 10, acelerando a entrega do PDK, automatizando o DTCO e agilizando o tempo de lançamento no mercado.

Principais recursos e benefícios:

• Extração acelerada de parâmetros: Reduz centenas de etapas manuais a 5 ou 6 etapas automatizadas, permitindo a otimização global de mais de 80 parâmetros em uma única execução, captando efeitos secundários, variações de temperatura e comportamentos dinâmicos. Essa solução elimina o ajuste manual repetitivo e melhora a precisão preditiva nos domínios de corrente contínua (CC), radiofrequência (RF) e sinais de grande amplitude.
• Fluxo de trabalho automatizado: Integra-se perfeitamente à plataforma de modelagem de dispositivos da Keysight, oferecendo suporte à personalização baseada em Python e a um fluxo robusto de modelagem automatizada.
• Escalável entre tecnologias: os fluxos de trabalho se adaptam facilmente a dispositivos FinFET, GAA, GaN, SiC e bipolares, garantindo fluxos repetíveis e reutilizáveis para vários nós de processo.
• Maior eficiência do DTCO: permite ciclos de retroalimentação mais rápidos entre o dispositivo e o projeto do circuito, reduzindo os ciclos de desenvolvimento do PDK de semanas para dias.

Nilesh Kamdar, gerente geral da Keysight EDA, afirmou: “A IA/ML está transformando profundamente os fluxos de trabalho e as metodologias tradicionais de modelagem compacta. Com o novo Machine Learning Toolkit, capacitamos nossos clientes a produzir modelos mais preditivos e de maior qualidade em um tempo significativamente menor — acelerando o desenvolvimento de PDKs e ajudando-os a acompanhar o ritmo das tecnologias de semicondutores em rápida evolução.”

Ao utilizar modelagem baseada em IA/ML, a Keysight permite que as empresas do setor de semicondutores acelerem a inovação, reduzam os riscos de desenvolvimento e mantenham uma vantagem competitiva em um mercado em rápida evolução. Para mais detalhes, acesse as Soluções de Modelagem de Dispositivos da Keysight.

Outras melhorias em outras soluções de modelagem de dispositivos da Keysight incluem:

• Modelagem de Dispositivos MQA 2026: Foram introduzidas novas regras relacionadas ao Controle de Qualidade do Modelo de Envelhecimento para OMI e MOSRA.
• Modelagem de dispositivos WaferPro 2025: Foi introduzido um novo recurso de controle remoto para testes remotos de ruído de baixa frequência com o A-LFNA, visando maior flexibilidade e eficiência.
• A-LFNA 2026: Introduziu um novo recurso de teste de estresse com ruído de baixa frequência, permitindo uma medição contínua, desde o teste de estresse até o teste de ruído.

Recursos

• Vídeo: Simplificando e automatizando o processo de modelos compactos com aprendizado de máquina
• Relatório técnico: Acelerando a inovação em semicondutores por meio da modelagem baseada em aprendizado de máquina
• Nota de aplicação: Acelerando a extração de parâmetros de modelos compactos com o Otimizador de Aprendizado de Máquina
• Blog: Das equações à inteligência: integrando um otimizador de aprendizado de máquina na extração de modelos compactos