Zum Hauptinhalt springen

Projekt IntelligEnt

Das IMMS forschte an Assistenzsystemen für Chip-Designer: Machine Learning verbessert Entwurfs- und Testmethoden für integrierte Analog/Mixed-Signal-Systeme.

Erfahrungswissen für den Entwurf gemischt analog/digitaler Systeme bislang nicht automatisierbar

Das Erfahrungswissen von Design-Ingenieuren prägt in weiten Teilen den Entwurf und die Verifikation von mikroelektronischen und mikroelektromechanischen Systemen (MEMS). Die Entwicklung solcher Systeme wird seit jeher wissenschaftlich bearbeitet und durch immer anspruchsvollere und automatisierte Entwurfsmethoden optimiert. Erfahrungswissen lässt sich allerdings oft nicht formal abbilden und damit für ein automatisiertes Entwerfen nutzen, wie das z.B. für rein digitale Systeme möglich ist. Das führt dazu, dass in komplexen, analogen oder gemischt analog/digitalen Systemen suboptimale Lösungen oder Unstimmigkeiten, wie ungünstige Anordnungen im Layout oder falsche Testlimits, erst spät erkannt werden – oft erst im Zusammenspiel der Komponenten. Die Folgen sind zusätzlicher Aufwand und hohe Kosten im Entwurf und in der Validierung der Systeme nach der Fertigung.

Signifikante Kosten- und Risikoreduktionen im Systementwurf durch maschinelles Lernen

In der Forschergruppe „IntelligEnt“ haben IMMS und TU Ilmenau daher an anwendungsorientierten Konzepten für Machine Learning im Mikroelektronik-Entwurf gearbeitet, die an vorhandene Methoden und Werkzeuge angebunden wurden. Ziel war es, das immense Potential des maschinellen Lernens für fachliche und wissenschaftliche Weiterentwicklungen zu nutzen und damit signifikante Kosten- und Risikoreduktionen im Systementwurf zu erreichen.

Möglich wird das, indem die genannten Unstimmigkeiten zeitnah erkannt und optimiert werden. In vielen Bereichen konnten Methoden des maschinellen Lernens den Menschen übertreffen, wie z.B. in der Mustererkennung. Integriert in einen automatisierten Entwurfs- und Charakterisierungsprozess kann sie Strukturen erkennen und damit Daten reduzieren, Anomalien aufspüren und bestehende Lösungen optimieren. Dabei werden in IntelligEnt die Algorithmen des maschinellen Lernens als Werkzeug verstanden und eingesetzt, wie z.B. Regression und Klassifikation mit Deep-Learning-Methoden oder Ausreißer-Detektion mit Self- und Semisupervised Learning.

Die Arbeiten in IntelligEnt setzten an kritischen Schritten im Systementwurf an:

  • Modellierung – Modelle für Verhaltensprognosen erstellen: Die Erstellung von Modellen für Systemkomponenten bzw. IP ist entscheidend für die Entwurfsqualität. Die Integration von Eigenschaften, wie z.B. Stromaufnahme und Operationsregionen, in System-Level-Modelle wurde mittels eines lernenden Systems automatisiert.
  • Entwurf von Analog-/Mixed-Signal-Schaltungen – Funktionen realisieren: Die Struktur bzw. Topologie bestimmt die Performance einer gemischt analog/digitalen Schaltung. Um diese rechnergestützt zu optimieren, wurde ein Verfahren zur Strukturerkennung und -anpassung entwickelt.
  • Layout von Analog-/Mixed-Signal-Schaltungen – den Bauplan für den Chiphersteller entwerfen: Formal korrekte Layouts können Unstimmigkeiten enthalten, wie z.B. Substratkopplung, Feldtransistoren und Mismatch. Wir haben mit der TU Ilmenau ein KI-basiertes Verfahren entwickelt, um automatisiert nicht-erprobte und potenziell fehlerhafte Stellen in Layouts zu detektieren. Unser Plugin für das freie Entwurfs-Tool KiCad gibt es auf GitHub.
  • Simulation und Verifikation – vor der Fertigung alle Schritte und Funktionen prüfen: Auf allen genannten Stufen wird das System schrittweise in immer größeren Funktionsgruppen geprüft, bevor der Chip gefertigt wird. Für die dafür durchgeführten Simulationen wurden die mit den Methoden zum Machine Learning erweiterten Modelle genutzt.
  • Test und Charakterisierung – gefertigte Chips auf Herz und Nieren prüfen: Die Optimierung des Testablaufes und die Auswahl der kritischen Tests für Mixed-Signal-Systeme und MEMS ist bisher Handarbeit. Das führt u.a. dazu, dass redundante Tests ausgeführt werden. Machine-Learning-Algorithmen sind in der Lage, Abhängigkeiten sichtbar und damit nutzbar zu machen. Das IMMS hat ein Machine-Learning-basiertes Verfahren für die Messdaten-Analyse von ASICs entwickelt. Es liefert gleiche Ergebnisse wie eine manuelle Auswertung, ist aber 10 – 30 Mal schneller.

Akronym / Name:

IntelligEnt / Künstliche Intelligenz und Machine Learning für den Entwurf und die Verifikation komplexer Systeme

Laufzeit:2019 – 2020

Anwendung:

|Integrierte Schaltungstechnik (Entwurf| Verifikation und Test)

Forschungsfeld:Integrierte Sensorsysteme


Zugehörige Inhalte

Referenz

Christian Paintz, Melexis

„Insbesondere bei der Auswertung von Messdaten hat das IMMS eindrucksvoll demonstriert, dass ein lernender Algorithmus der manuellen Auswertung ebenbürtig ist – bei gleichzeitig großer Zeitersparnis. Auch die Methoden zur Schaltungs- und Layoutanalyse verfolgen wir weiter, da wir auch hier ein großes Forschungs- und Anwendungspotential sehen.“
Referenz
Alle Publikationen

Veranstaltung,

Forum Künstliche Intelligenz

Forum Künstliche Intelligenz der Fachmedien Elektronik, Elektronik automotive und Computer&AUTOMATION. Das Forum wurde vom Veranstalter abgesagt.

Veranstaltung,

KI für KMU

KI für KMU – Prozesse optimieren mit künstlicher Intelligenz, Vortragsveranstaltung von Mittelstand 4.0

Veranstaltung,

CadenceLIVE Europe 2020

CadenceLIVE brings together technology users, developers, and industry experts to connect, share ideas and best practices, and inspire design creativity.

Veranstaltung,

Analog 2020

Zwei Vorträge auf der 17. ITG/GMM-Fachtagung Analog 2020, Analoge Schaltungen: Schlüsselsysteme für Automotive, IoT und zukünftige drahtlose Technologien

Pressemitteilung,

EDA Competition Award für „Trash or Treasure“ – Intelligente Layoutverarbeitung

1. Preis des IEEE CEDA geht an Nachwuchswissenschaftler von TU Ilmenau und IMMS

Pressemitteilung,

Forschergruppe „IntelligEnt“ gestartet: Künstliche Intelligenz und Machine Learning für den Entwurf von Mikroelektronik

IMMS und TU Ilmenau forschen an neuartigen Assistenzsystemen für Chip-Designer


Kontakt

Kontakt

Eric Schäfer, M. Sc.

Leiter Mikroelektronik und Institutsteil Erfurt

eric.schaefer(at)imms.de+49 (0) 361 663 25 35

Eric Schäfer und sein Team erforschen Integrierte Sensorsysteme und hier insbesondere CMOS-basierte Biosensoren, ULP-Sensorsysteme und KI-basierte Entwurfs- und Testautomatisierung. Die Ergebnisse fließen in die Forschung an den Leitthemen Sensorsysteme für die In-vitro-Diagnostik und RFID-Sensoren ein. Er unterstützt Sie mit Dienstleistungen rund um die Entwicklung integrierter Schaltungen und mit KI-basierten Methoden für komplexe IC-Entwürfe.


Förderung

Die Forschergruppe IntelligEnt wurde gefördert durch den Freistaat Thüringen aus Mitteln des Europäischen Sozialfonds unter dem Kennzeichen 2018 FGR 0089.


Das könnte Sie auch interessieren

Dienstleistung

IC-Entwurfsmethoden

Wir entwickeln für Ihre System-on-Chip- und FPGA-Entwürfe neue KI-basierte Methoden und Werkzeuge, um die steigende Komplexität integrierter Systeme zu beherrschen und damit die Leistungsfähigkeit weiter zu steigern.

Kernthema

KI-basierte Entwurfs- und Testautomatisierung

Wir forschen daran, den Entwicklungsprozess von integrierten Sensorsystemen mit KI sicher und kostengünstiger zu machen. KI kann die Entwickler im Prozess unterstützen, Fehler zu vermeiden und informelles Wissen automatisiert anzuwenden.

Kernthema

Modulare und mobile Testsysteme

Testmöglichkeiten sind fester Bestandteil aller Applikationsentwicklungen. Wir forschen an modularen Testsystemen, die durch optimierte funktionale Testeinheiten flexibel und schnell an neue Herausforderungen angepasst werden können.

Dienstleistung

Test und Charakterisierung

Wir testen, charakterisieren und qualifizieren Ihre Schaltkreise, Sensoren und Systeme. Auf Basis unseres exzellenten Messgerätepools entwickeln wir eine individuell angepasste Testumgebung für Messungen an Wafern und Einzelbauelementen.

Zurück