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.