키사이트, 디바이스 모델링 및 PDK 개발 가속화를 위한 머신러닝 툴킷 공개
AI/머신러닝 기반 모델링은 더 빠른 DTCO(Design Technology Co-Optimization) 개발을 위해 출시 기간을 단축하고 첨단 노드, RF 및 전력 응용을 위한 모델 파라미터 추출을 가속화합니다.
SANTA ROSA, Calif.January 15, 2026
키사이트테크놀로지스(Keysight Technologies, Inc.)(NYSE: KEYS)는 오늘 최신 키사이트 디바이스 모델링 소프트웨어 스위트(Keysight Device Modeling Software Suite)에 새로운 머신 러닝 툴킷(Machine Learning Toolkit)을 출시했다고 발표했습니다. 이 새로운 솔루션은 모델 개발 및 추출 시간을 수주에서 수 시간으로 단축하여, 보다 빠른 PDK(Process Design Kit) 제공 및 DTCO(Design Technology Co-Optimization) 애플리케이션을 지원합니다.
반도체 산업은 게이트 올 어라운드(GAA) 트랜지스터, GaN 및 SiC와 같은 와이드밴드갭(wide-bandgap) 소재, 칩렛 및 3D 적층을 포함한 이종 통합 전략과 같은 첨단 아키텍처에 의해 급격한 변화를 겪고 있습니다. 이러한 혁신은 성능을 향상시키지만 복잡한 모델링 및 파라미터 추출 과제도 야기합니다. 기존 워크플로는 물리학 기반의 컴팩트 모델과 수동 파라미터 추출에 의존하므로 엔지니어가 여러 작동 조건에서 상호 연결된 수백 개의 파라미터를 조정해야 하며, 이는 수주가 소요될 수 있고 최적의 결과를 달성하기 어려운 경우가 많습니다. 점점 더 촉박해지는 일정 속에서 이제는 더 빠르고 예측 가능하며 자동화된 인공지능/머신러닝(AI/ML) 기반 모델링 솔루션이 필수적입니다.
ML 최적화 프로그램, 자동 추출 흐름, 그리고 디바이스 모델링 MBP 2026(Device Modeling MBP 2026) 내의 유틸리티를 갖춘 키사이트의 새로운 머신러닝 툴킷(Machine Learning Toolkit)은 고급 신경망 아키텍처와 ML 기반 최적화를 결합한 프레임워크를 도입하여 이러한 과제를 해결합니다. 이 툴킷을 사용하면 자동 추출을 통해 매개변수 추출 단계를 200단계 이상에서 10단계 미만으로 줄여 PDK 제공을 가속화하고, DTCO를 자동화하며, 시장 출시 기간을 단축할 수 있습니다.
주요 기능 및 이점:
- 가속화된 매개변수 추출: 수백 개의 수동 단계를 5~6개의 자동화된 단계로 줄여 단일 실행으로 80개 이상의 매개변수를 전역 최적화하고 2차 효과, 온도 변화, 동적 거동을 포착합니다. 이 솔루션은 반복적인 수동 튜닝을 없애고 DC, RF 및 대신호 도메인 전반에서 예측 정확도를 향상시킵니다.
- 자동화된 워크플로: 키사이트의 디바이스 모델링 플랫폼과 원활하게 통합되며, Python 기반 사용자 지정 및 강력한 자동화 모델링 흐름을 지원합니다.
- 기술 전반의 확장성: 워크플로는 FinFET, GAA, GaN, SiC 및 바이폴라 디바이스에 쉽게 적응하므로 여러 프로세스 노드에 대해 반복 및 재사용 가능한 흐름을 보장합니다.
- 향상된 DTCO 효율성: 디바이스와 회로 설계 간의 피드백 루프를 단축하여 PDK 개발 주기를 몇 주에서 며칠로 단축합니다.
키사이트 EDA 총괄 매니저인 니레쉬 캄다르(Nilesh Kamdar)는 다음과 같이 말했습니다. “AI/ML은 컴팩트 모델링의 전통적인 워크플로와 방법론을 근본적으로 변화시키고 있습니다. 새로운 머신러닝 툴킷을 통해 고객은 훨씬 더 짧은 시간에 예측 가능하고 품질이 우수한 모델을 제공하여 PDK 개발을 가속화하고 급변하는 반도체 기술에 보조를 맞출 수 있습니다.”
키사이트는 AI/ML 기반 모델링을 활용하여 반도체 기업이 혁신을 가속화하고 개발 위험을 줄이며 빠르게 진화하는 시장에서 경쟁 우위를 유지할 수 있도록 지원합니다. 자세한 내용은 키사이트 디바이스 모델링 솔루션(Keysight Device Modeling Solutions)을 방문해 확인하세요.
기타 키사이트 디바이스 모델링 솔루션의 추가 개선 사항:
- 디바이스 모델링 MQA 2026(Device Modeling MQA 2026): OMI 및 MOSRA용 에이징 모델 QA(Aging Model QA)와 관련된 새로운 규칙이 도입되었습니다.
- 디바이스 모델링 웨이퍼프로 2025(Device Modeling WaferPro 2025): 유연성과 효율성을 높이기 위해 A-LFNA를 사용한 원격 저주파 노이즈 테스트를 위한 새로운 원격 제어 기능이 도입되었습니다.
- A-LFNA 2026: 스트레스 테스트부터 노이즈 테스트까지 원활하게 측정할 수 있는 새로운 저주파 노이즈 스트레스 테스트 기능이 도입되었습니다.
리소스
- 비디오: 머신러닝을 통한 컴팩트 모델 프로세스 간소화 및 자동화(Simplifying and Automating Compact Model Process with Machine-Learning)
- 백서: 머신러닝 기반 모델링을 통한 반도체 혁신 가속화(Accelerating Semiconductor Innovation through Machine Learning Driven Modeling)
- 어플리케이션 노트: 머신러닝 최적화 프로그램을 사용한 컴팩트 모델 매개변수 추출 가속화(Accelerating Compact Model Parameter Extraction with the Machine Learning Optimizer)
- 블로그: 방정식에서 지능으로: 컴팩트 모델 추출에 머신러닝 최적화 프로그램 통합(From Equations to Intelligence: Integrating a Machine Learning Optimizer into Compact Model Extraction)