论文部分内容阅读
随着器件工艺尺寸进入到纳米级别,制造工艺参数波动对电路性能的影响越来越严重,成为限制芯片良率的重要因素之一,使得在设计阶段需要能够准确预测参数波动影响下的电路良率。传统的蒙特卡罗方法在评估电路失效事件时需要大量采样并仿真而无法接受。为了减少仿真量,近年来提出了一种自适应重要采样（Adaptive Importance Sampling,AIS）的快速良率评估算法,但在同时评估Bit cell电路等的多个失效机理时,由于AIS中样本多样性损失的问题,无法有效地找到所有失效机理对应的失效域,从而最终会低估真实的电路失效概率。针对多失效机理良率评估问题,本文提出了一种基于AIS的自适应参数估计（Adaptive Parameters Estimator,APE）良率算法。APE采用了马尔可夫链更新策略来探索参数空间中的重要失效区域。首先通过超球面预采样来初步探索失效域的位置;然后基于当前的失效样本信息,使用核密度估计来构造重要采样方法中的偏移采样分布函数;为了有效逼近最佳偏移采样分布函数,本文在传统链式马尔可夫链方法的基础上改进得到了直接针对失效样本集进行更新优化的马尔可夫链算法。最后APE通过量化评估结果的精度和置信度构建了算法的终止条件。本文的实验电路包括Bit cell电路和灵敏放大器电路,以蒙特卡罗方法的结果作为黄金标准,分别与超球面分簇采样（Hyperspherical Clustering Sampling,HSCS）,多失效域重要采样（Multiple-Failure-Region Importance Sampling,MFRIS）和AIS进行对比。首先评估Bit cell电路的读失效概率,四种算法均能正常工作,APE,AIS和MFRIS的仿真量相近,与HSCS相比效率提高了近8倍。其次评估Bit cell电路的读写两种失效概率,精度上APE和HSCS的相对误差分别为4%和8%;效率上APE的收敛速度是HSCS算法的8.5倍。然后评估灵敏放大器电路的读0失效概率,四种方法均能正常工作,最后是评估灵敏放大器电路的读0和读1两种失效概率,精度上APE、MFRIS和HSCS的相对误差分别为2%,6%,8%;效率上APE分别是HSCS和MFRIS的9倍和3倍。