AI/ML × EDA 案例：從局部最優走向全局擬合 —— - asiasworldcity.hk

香港飛龍.online 官方授權發布的第4代「香港飛龍」標誌

本文内容：

前言在半導體技術飛速發展的今天，器件模型日益複雜，緊湊模型參數提取已成爲業界面臨的重大挑戰。傳統優化算法受困於梯度變化不明確，極易陷入局部最優的“坑”——而最終提取結果差強人意。此外，現代半導體模型中存在大量相互關聯的參數，這使得傳統方法效率更加低下，建模工程師往往需要將參數提取流程拆解爲多箇冗長繁瑣的子步驟，整個過程可能耗費數天甚至數週時間嚴重製約開發進度。在剛剛結束的網絡研討會上，我們的技術專家重點介紹了最新推出基於機器學習的全局優化器--MLOptimizer，爲半導體參數提取帶來革命性解決方案。01模擬器件行爲，模型參數怎麼“提”出來？在芯片設計和仿真中，工程師們經常要面對一箇重要任務：構建半導體器件模型。這是一種用數學公式來逼近和描述晶體管、二極管等半導體器件行爲的方法。要讓這些模型真正起作用，光有公式還不夠，還得通過“參數提取”這個過程，把公式中的各種變量——比如飽和電流、串聯電阻、理想因子等一箇個調出來，使得模擬結果能夠儘量貼近真實測量數據。這個過程可以理解爲是讓模型“擬合”實際器件行爲，是EDA仿真中不可或缺的一步。02爲什麼參數提取這麼難？隨着半導體器件不斷進化，模型也變得越來越複雜。像 BSIM4、ASM-HEMT 這樣的模型，背後涉及的是大量非線性方程，需要藉助 SPICE 或 TCAD 仿真器來反覆求解。一箇典型的模型可能包含上百個參數，這些參數之間還高度耦合，牽一髮而動全身。而且不同器件、不同工作條件下，參數的表現也會差異很大。想把這麼多因素統統調得合適，工作量之大、過程之繁瑣可想而知。傳統上，工程師們常用像Newton-Raphson或Levenberg-Marquardt (LM)這樣的梯度優化算法來提參數，但這些方法有一箇共同的問題——容易陷入局部最優解。小知識梯度優化算法&局部最優解梯度優化算法廣泛用於圖像識別語音識別智能駕駛等各種領域。以圖1的一維二次函數爲例，梯度就是它的導數，更通俗的講就是斜率。AI在分析問題時最顛覆傳統的部分在於他們不依賴於人們總結出來的公式或模型，而是靠大量的計算和推演。對圖1而言，AI在不知道函數是y=x2的情況下在延某一路線持續求導。“梯度下降”是指引其前進的方向，直到找到最優結果，也就是函數最小值。但是AI分析的模型複雜度顯然比圖1高很多。首先通常不會有這麼理想的單調性，如圖2。其次變量一般是多箇，圖3就是2個自變量構成的典型非凸空間。這種情況下梯度優化算法在逐漸下探的過程中可能因遇到“局部最優解”而結束計算。避免局部最優解有多種優化方法，例如通過多次隨機初始化設定不同的起點。03繁瑣建模一鍵解決：揭祕 Keysight ML Optimizer 的高效祕訣複雜且高度耦合的器件建模在少量參數和局部特性提取參數的情況下，傳統的Optimizer確實展現了足夠的優勢。然而，由於優化器容易陷入局部最優解，我們不得不將建模過程劃分爲多箇小模塊逐一處理。此外，由於模型特性之間存在複雜的耦合關係，需要反覆調整多箇參數，並人爲權衡整體擬合效果是否符合預期。這種方法迫使工程師只能依靠經驗不斷試驗，過程枯燥且浪費時間，同時也無法確定當前的參數組合是否爲最優解。針對上述問題，Keysight引入了不依賴梯度信息的優化方法，這類算法針對非凸空間更具有魯棒性、不依賴梯度信息，對噪聲更不敏感，且更可能找到全局最小值。ML Optimizer結合機器學習（ML）方法，動態學習優化空間，在探索與精細化之間取得平衡。可支持同時優化40+ 參數和多箇目標曲線（target plots），顯著減少優化步驟。特點：內置 cost function 增強收斂性與魯棒性每次優化自動從零開始學習，適應問題特性可處理複雜模型，如 BSIM4、ASM-HEMT支持 log scale 優化，適用於量級跨度大的數據（如 Id 從 1e-13 到 1e-3）04實際應用案例：二極管模型：雖然二極管僅包含三個參數，但對於梯度優化器，若初始值不佳則無法收斂。ML Optimizer 即使在相同初始條件下，也能在約 300 次試驗內實現良好擬合。GaN HEMT（ASM-HEMT 模型）：需要對 4x50μm 器件進行參數提取，涉及 27 個參數。用 ML Optimizer 在不到 6000 次試驗內完成良好擬合，僅需幾分鐘。BSIM4 Re-centering 自動提取：針對製程規格變化，模型需要快速 recenter（重新中心化）。傳統方法需要人工逐步微調，耗時且不穩定，而 ML 優化器可一步完成多箇目標擬合，提升穩定性與可重複性。DC 和 CV 同步提取：將傳統分步驟（線性區、飽和區等）流程合併，直接對 id-vg、id-vd、gm-vg 等曲線進行全局優化，不到 1000 次試驗即可獲得優異結果。總結1Keysight ML Optimizer是一款強大的全局優化工具，可同時處理大量參數和目標曲線，實現真正的參數提取自動化。2相比傳統方法，大幅簡化提取過程，縮短建模時間（從數天縮短至數小時），提升擬合質量與一致性。3該優化器已在 IC-CAP 2025 上驚豔發佈。網絡研討會回放已經上線，內含詳細介紹和完整演示案例，期待您掃碼註冊，解鎖更多精彩細節。掃描下方二維碼觀看研討會回放長按掃碼獲得更多資訊（本文來源：KeysightDES 圖源：KeysightDES）

(本文内容不代表本站观点。)
---------------------------------