Keysight presenta un toolkit di machine learning per accelerare la modellazione dei dispositivi e lo sviluppo dei PDK

Keysight Technologies, Inc. (NYSE: KEYS) ha annunciato oggi il lancio del nuovo Machine Learning Toolkit, incluso nell'ultima versione della suite software Keysight Device Modeling. Questa nuova soluzione riduce i tempi di sviluppo ed estrazione dei modelli da settimane a ore, consentendo una consegna più rapida dei Process Design Kit (PDK) e l'implementazione di applicazioni di co-ottimizzazione delle tecnologie di progettazione (DTCO).

Il settore dei semiconduttori sta attraversando una rapida trasformazione, guidata da architetture avanzate quali i transistor gate-all-around (GAA), materiali a banda larga come il GaN e il SiC e strategie di integrazione eterogenea, tra cui i chiplet e l’impilamento 3D. Sebbene queste innovazioni migliorino le prestazioni, pongono anche complesse sfide in termini di modellazione ed estrazione dei parametri. I flussi di lavoro tradizionali si basano su modelli compatti basati sulla fisica e sull’estrazione manuale dei parametri, costringendo gli ingegneri a regolare centinaia di parametri interconnessi in molteplici condizioni operative, un processo che può richiedere settimane e che spesso fatica a raggiungere risultati ottimali. Con tempistiche sempre più serrate, sono ormai essenziali soluzioni di modellazione basate sull’intelligenza artificiale e sull’apprendimento automatico (AI/ML) che siano più veloci, più predittive e automatizzate.

Il nuovo Machine Learning Toolkit di Keysight, che include un ottimizzatore ML, flussi di estrazione automatica e utilità integrate in Device Modeling MBP 2026, affronta queste sfide introducendo un framework che combina architetture avanzate di reti neurali con l’ottimizzazione basata sul machine learning. Grazie a questo toolkit, l’estrazione automatica è in grado di ridurre le fasi di estrazione dei parametri da oltre 200 a meno di 10, accelerando la consegna del PDK, automatizzando il DTCO e velocizzando il time-to-market.

Caratteristiche e vantaggi principali:

• Estrazione accelerata dei parametri: riduce centinaia di passaggi manuali a 5-6 passaggi automatizzati, consentendo l’ottimizzazione globale di oltre 80 parametri in un unico ciclo di esecuzione e tenendo conto degli effetti secondari, delle variazioni di temperatura e dei comportamenti dinamici. Questa soluzione elimina le operazioni ripetitive di messa a punto manuale e migliora l’accuratezza predittiva nei domini CC, RF e dei segnali di grande ampiezza.
• Flusso di lavoro automatizzato: si integra perfettamente con la piattaforma di modellazione dei dispositivi di Keysight, supportando la personalizzazione basata su Python e un solido flusso di modellazione automatizzato.
• Scalabilità tra diverse tecnologie: i flussi di lavoro si adattano facilmente a dispositivi FinFET, GAA, GaN, SiC e bipolari, garantendo flussi ripetibili e riutilizzabili per diversi nodi di processo.
• Maggiore efficienza del DTCO: consente cicli di feedback più rapidi tra il dispositivo e la progettazione dei circuiti, riducendo i cicli di sviluppo del PDK da settimane a giorni.

Nilesh Kamdar, direttore generale di Keysight EDA, ha dichiarato: “L’intelligenza artificiale e l’apprendimento automatico stanno trasformando radicalmente i flussi di lavoro e le metodologie tradizionali della modellazione compatta. Con il nuovo Machine Learning Toolkit, consentiamo ai nostri clienti di realizzare modelli più predittivi e di qualità superiore in tempi notevolmente più brevi, accelerando lo sviluppo dei PDK e aiutandoli a stare al passo con le tecnologie dei semiconduttori in rapida evoluzione”.

Grazie alla modellazione basata su IA e ML, Keysight consente alle aziende del settore dei semiconduttori di accelerare l'innovazione, ridurre i rischi legati allo sviluppo e mantenere un vantaggio competitivo in un mercato in rapida evoluzione. Per ulteriori dettagli, visita la pagina Keysight Device Modeling Solutions.

Tra gli ulteriori miglioramenti apportati alle altre soluzioni di modellazione dei dispositivi di Keysight figurano:

• Modellazione dei dispositivi MQA 2026: sono state introdotte nuove regole relative al controllo qualità (QA) del modello di invecchiamento per OMI e MOSRA.
• Device Modeling WaferPro 2025: è stata introdotta una nuova funzionalità di controllo remoto per l'esecuzione di test sul rumore a bassa frequenza tramite A-LFNA, al fine di garantire maggiore flessibilità ed efficienza.
• A-LFNA 2026: Introdotta una nuova funzionalità di test di stress con rumore a bassa frequenza per garantire una misurazione senza soluzione di continuità dal test di stress al test di rumore.

Risorse

• Video: Semplificazione e automazione del processo di modellizzazione compatta tramite l'apprendimento automatico
• White Paper: Accelerare l'innovazione nel settore dei semiconduttori attraverso la modellizzazione basata sull'apprendimento automatico
• Nota applicativa: Accelerazione dell'estrazione dei parametri dei modelli compatti con l'ottimizzatore di machine learning
• Blog: Dalle equazioni all’intelligenza: integrazione di un ottimizzatore basato sull’apprendimento automatico nell’estrazione di modelli compatti