Keysight stellt Machine-Learning-Toolkit zur Beschleunigung der Gerätemodellierung und PDK-Entwicklung vor

Keysight Technologies, Inc. (NYSE: KEYS) hat heute die Veröffentlichung des neuen Machine Learning Toolkits in der neuesten Keysight Device Modeling Software Suite bekannt gegeben. Diese neue Lösung verkürzt die Modellentwicklungs- und Extraktionszeit von Wochen auf Stunden und ermöglicht so eine schnellere Bereitstellung von Process Design Kits (PDKs) und Anwendungen zur Design Technology Co-Optimization (DTCO).

Die Halbleiterindustrie befindet sich in einem rasanten Wandel, angetrieben von fortschrittlichen Architekturen wie Gate-All-Around (GAA)-Transistoren, Materialien mit großer Bandlücke wie GaN und SiC sowie heterogenen Integrationsstrategien wie Chiplets und 3D-Stapelung. Diese Innovationen steigern zwar die Leistung, stellen aber gleichzeitig komplexe Herausforderungen an die Modellierung und Parameterbestimmung. Traditionelle Arbeitsabläufe basieren auf physikalisch basierten Kompaktmodellen und manueller Parameterbestimmung. Ingenieure müssen daher Hunderte von miteinander verbundenen Parametern unter verschiedenen Betriebsbedingungen anpassen – ein Prozess, der Wochen dauern kann und oft keine optimalen Ergebnisse liefert. Angesichts immer knapperer Zeitpläne sind schnellere, prädiktivere und automatisierte, KI/ML-gestützte Modellierungslösungen unerlässlich.

Keysights neues Machine Learning Toolkit, das einen ML-Optimierer, automatische Extraktionsabläufe und Hilfsprogramme in Device Modeling MBP 2026 umfasst, begegnet diesen Herausforderungen durch ein Framework, das fortschrittliche neuronale Netzwerkarchitekturen mit ML-basierter Optimierung kombiniert. Mit diesem Toolkit kann die automatische Extraktion die Anzahl der Parameterextraktionsschritte von über 200 auf unter 10 reduzieren, wodurch die PDK-Bereitstellung beschleunigt, die DTCO automatisiert und die Markteinführungszeit verkürzt wird.

Hauptmerkmale und Vorteile:

• Beschleunigte Parameterextraktion: Reduziert Hunderte von manuellen Schritten auf 5 bis 6 automatisierte Schritte und ermöglicht so die globale Optimierung von über 80 Parametern in einem einzigen Durchlauf. Dabei werden Sekundäreffekte, Temperaturschwankungen und dynamische Verhaltensweisen erfasst. Diese Lösung eliminiert wiederholte manuelle Anpassungen und verbessert die Vorhersagegenauigkeit in den Bereichen Gleichstrom, Hochfrequenz und Großsignaltechnik.
• Automatisierter Workflow: Integriert sich nahtlos in die Device Modeling Plattform von Keysight und unterstützt Python-basierte Anpassungen sowie einen robusten automatisierten Modellierungsablauf.
• Skalierbar über verschiedene Technologien hinweg: Die Arbeitsabläufe lassen sich problemlos an FinFET-, GAA-, GaN-, SiC- und Bipolar-Bauelemente anpassen und gewährleisten so wiederholbare und wiederverwendbare Abläufe für verschiedene Prozessknoten.
• Verbesserte DTCO-Effizienz: Ermöglicht schnellere Feedbackschleifen zwischen Geräte- und Schaltungsdesign und verkürzt so die PDK-Entwicklungszyklen von Wochen auf Tage.

Nilesh Kamdar, General Manager von Keysight EDA, sagte: „KI/ML transformiert die traditionellen Arbeitsabläufe und Methoden der Kompaktmodellierung grundlegend. Mit dem neuen Machine Learning Toolkit ermöglichen wir unseren Kunden, in deutlich kürzerer Zeit prädiktivere und qualitativ hochwertigere Modelle zu liefern – wir beschleunigen die PDK-Entwicklung und helfen ihnen, mit den sich rasant entwickelnden Halbleitertechnologien Schritt zu halten.“

Durch den Einsatz KI/ML-gestützter Modellierung ermöglicht Keysight Halbleiterunternehmen, Innovationen zu beschleunigen, Entwicklungsrisiken zu minimieren und sich in einem dynamischen Markt Wettbewerbsvorteile zu sichern. Weitere Informationen finden Sie unter Keysight Device Modeling Solutions .

Zu den weiteren Verbesserungen anderer Keysight-Gerätemodellierungslösungen gehören:

• Device Modeling MQA 2026: Einführung neuer Regeln im Zusammenhang mit der Alterungsmodell-Qualitätssicherung für OMI und MOSRA.
• Gerätemodellierung WaferPro 2025 : Einführung einer neuen Fernsteuerungsfunktion für die Fernprüfung niederfrequenter Störungen mit A-LFNA für mehr Flexibilität und Effizienz.
• A-LFNA 2026 : Einführung einer neuen Funktion für Niederfrequenz-Geräuschbelastungstests zur nahtlosen Messung vom Belastungstest zum Geräuschtest.

Ressourcen

• Video: Vereinfachung und Automatisierung des Kompaktmodellprozesses mit maschinellem Lernen
• White Paper Beschleunigung der Halbleiterinnovation durch maschinelles Lernen und Modellierung
• Anwendungshinweis: Beschleunigung der Parameterextraktion kompakter Modelle mit dem Machine Learning Optimizer
• Blog: Von Gleichungen zu Intelligenz: Integration eines Machine-Learning-Optimierers in die Extraktion kompakter Modelle