产品性能分布预测方法及装置、电子设备及存储介质转让专利
申请号 : CN202111323156.X
文献号 : CN113779910B
文献日 : 2022-02-22
发明人 : 薛小帝
申请人 : 海光信息技术股份有限公司
摘要 :
权利要求 :
1.一种用于集成电路的产品性能分布预测方法,包括:根据目标电流值,利用第一预测模型得到第一参数,其中,所述第一参数反映所述集成电路的电路级性能;
根据所述第一参数,利用拟合函数得到第二参数和漏电参数,其中,所述第二参数反映所述集成电路的产品级性能;
根据所述第二参数和所述漏电参数,利用分布模型得到目标分布,其中,所述目标分布为所预测的所述集成电路的产品性能分布。
2.根据权利要求1所述的方法,其中,所述第一预测模型包括神经网络模型,根据所述目标电流值,利用所述第一预测模型得到所述第一参数,包括:将所述目标电流值作为所述神经网络模型的输入,利用所述神经网络模型输出所述第一参数。
3.根据权利要求1所述的方法,其中,所述集成电路包括互补金属氧化物半导体晶体管,所述目标电流值至少包括N型金属氧化物半导体驱动电流和P型金属氧化物半导体驱动电流。
4.根据权利要求1所述的方法,还包括:采用神经网络,利用训练样本集对所述神经网络进行训练,并利用测试样本集对所述神经网络进行测试,将由所述神经网络训练得到的神经网络模型作为所述第一预测模型。
5.根据权利要求4所述的方法,其中,利用所述训练样本集对所述神经网络进行训练,包括:
利用所述训练样本集,采用梯度下降算法训练所述神经网络。
6.根据权利要求4所述的方法,其中,利用所述测试样本集对所述神经网络进行测试,包括:
将所述测试样本集作为输入,将所述神经网络的输出结果与对照数据进行比较;
响应于所述输出结果与所述对照数据之间的差值小于预设误差,结束训练;
响应于所述输出结果与所述对照数据之间的差值大于或等于所述预设误差,修正所述神经网络的结构并继续训练。
7.根据权利要求6所述的方法,其中,修正所述神经网络的结构并继续训练,包括:响应于所述输出结果与所述对照数据之间的当前差值与前一次差值之间的差大于预设阈值,增加所述神经网络的隐藏层节点数,并继续训练;
响应于所述输出结果与所述对照数据之间的当前差值与前一次差值之间的差小于或等于所述预设阈值,增加所述神经网络的隐藏层数量,并继续训练。
8.根据权利要求1所述的方法,还包括:对多组测试数据进行拟合,建立所述拟合函数;
其中,所述拟合函数反映所述第一参数、所述第二参数、所述漏电参数之间的对应关系。
9.根据权利要求1所述的方法,其中,所述分布模型包括二元分布,根据所述第二参数和所述漏电参数,利用所述分布模型得到所述目标分布,包括:将所述第二参数和所述漏电参数分别作为所述二元分布中每个分布的中位数,得到所述目标分布。
10.根据权利要求1所述的方法,还包括:利用多组测试数据,分别构建针对所述第二参数的分布和针对所述漏电参数的分布,并且利用三角函数进行联合表征,从而得到二元分布以作为所述分布模型。
11.根据权利要求10所述的方法,其中,所述二元分布包括二元正态分布,所述二元正态分布表示为:
,
其中,X表示所述第二参数,Y表示所述漏电参数,A、B、θ表示所述二元正态分布中的变化参量。
12.根据权利要求1所述的方法,还包括:基于所述目标分布,根据分类规则,对所述集成电路进行分类。
13.根据权利要求12所述的方法,其中,所述分类规则包括多个预设区间范围;
基于所述目标分布,根据所述分类规则,对所述集成电路进行分类,包括:基于所述多个预设区间范围,根据所述目标分布中每个点位对应的第二参数和漏电参数,将所述点位对应的集成电路划分到与所述多个预设区间范围之一对应的类别。
14.根据权利要求1‑13任一所述的方法,其中,所述集成电路还包括环形振荡器,所述第一参数至少包括所述环形振荡器的频率,所述第二参数至少包括基于所述环形振荡器的频率得到的电路延时。
15.根据权利要求8或10所述的方法,其中,所述多组测试数据基于晶圆可接受度测试和/或晶圆筛选测试得到。
16.一种用于集成电路的产品性能分布预测装置,包括:第一计算单元,配置为根据目标电流值,利用第一预测模型得到第一参数,其中,所述第一参数反映所述集成电路的电路级性能;
第二计算单元,配置为根据所述第一参数,利用拟合函数得到第二参数和漏电参数,其中,所述第二参数反映所述集成电路的产品级性能;
分布计算单元,配置为根据所述第二参数和所述漏电参数,利用分布模型得到目标分布,其中,所述目标分布为所预测的所述集成电路的产品性能分布。
17.一种电子设备,包括根据权利要求16所述的用于集成电路的产品性能分布预测装置。
18.一种电子设备,包括:
处理器;
存储器,包括一个或多个计算机程序模块;
其中,所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行,所述一个或多个计算机程序模块包括用于实现权利要求1‑15任一所述的用于集成电路的产品性能分布预测方法。
19.一种存储介质,用于存储非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时可以实现权利要求1‑15任一所述的用于集成电路的产品性能分布预测方法。
说明书 :
产品性能分布预测方法及装置、电子设备及存储介质
技术领域
背景技术
证等。之后,基于确定的参数生产芯片。硅后阶段是指生产之后的阶段,在硅后阶段,芯片已
经生产完成,设计人员可以对芯片的实际参数、性能指标、良率等进行测试、统计、验证等。
随着芯片设计的复杂度不断提高,在硅后阶段针对芯片的测试、统计、验证等操作的重要性
也日益凸显。
发明内容
的电路级性能;根据所述第一参数,利用拟合函数得到第二参数和漏电参数,其中,所述第
二参数反映所述集成电路的产品级性能;根据所述第二参数和所述漏电参数,利用分布模
型得到目标分布,其中,所述目标分布为所预测的所述集成电路的产品性能分布。
为所述神经网络模型的输入,利用所述神经网络模型输出所述第一参数。
体驱动电流。
得到的神经网络模型作为所述第一预测模型。
较;响应于所述输出结果与所述对照数据之间的差值小于预设误差,结束训练;响应于所述
输出结果与所述对照数据之间的差值大于或等于所述预设误差,修正所述神经网络的结构
并继续训练。
阈值,增加所述神经网络的隐藏层节点数,并继续训练;响应于所述输出结果与所述对照数
据之间的当前差值与前一次差值之间的差小于或等于所述预设阈值,增加所述神经网络的
隐藏层数量,并继续训练。
关系。
述漏电参数分别作为所述二元分布中每个分布的中位数,得到所述目标分布。
二元分布以作为所述分布模型。
区间范围,根据所述目标分布中每个点位对应的第二参数和漏电参数,将所述点位对应的
集成电路划分到与所述多个预设区间范围之一对应的类别。
率得到的电路延时。
一参数反映所述集成电路的电路级性能;第二计算单元,配置为根据所述第一参数,利用拟
合函数得到第二参数和漏电参数,其中,所述第二参数反映所述集成电路的产品级性能;分
布计算单元,配置为根据所述第二参数和所述漏电参数,利用分布模型得到目标分布,其
中,所述目标分布为所预测的所述集成电路的产品性能分布。
配置为由所述处理器执行,所述一个或多个计算机程序模块包括用于实现本公开任一实施
例提供的用于集成电路的产品性能分布预测方法。
于集成电路的产品性能分布预测方法。
附图说明
具体实施方式
开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术
人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”、“一”或
者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似
的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其
等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或
者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、
“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也
可能相应地改变。
要求,可能会对产品性能提出不同的分布需求,从而需要对器件目标值进行调整。然而,由
于晶圆可接受度测试(Wafer Acceptance Test,WAT)数据的完整性不足以及不同晶圆厂生
产条件差异等因素,难以对新的器件目标值下硅后的性能分布进行较为准确的预估。因此,
基于WAT测试数据及晶圆筛选测试(Wafer Sort,WS)数据进行芯片硅后性能预估具有重要
意义。
数及漏电参数作相关性拟合。在这种方式下,将新的器件驱动电流目标值代入相关性拟合
的曲线函数中,可以分别得到单点的WS测试下产品级性能参数和漏电参数,以此表征芯片
硅后性能情况。
数分别通过单点预测得到,不能提供芯片硅后性能分布信息,无法满足分析需求。
布预测,能够在硅后产品所处的各个阶段进行预测,可以处理大量数据,具有较强的复用
性,适用范围广。
性能;根据第一参数,利用拟合函数得到第二参数和漏电参数,第二参数反映集成电路的产
品级性能;根据第二参数和漏电参数,利用分布模型得到目标分布,目标分布为所预测的集
成电路的产品性能分布。
同规格及封装类型。
少包括N型金属氧化物半导体(Negative channel‑Metal‑Oxide‑Semiconductor,NMOS)驱
动电流和P型金属氧化物半导体(Positive channel‑Metal‑Oxide‑Semiconductor,PMOS)
驱动电流。也即,目标电流值包括所预期的NMOS驱动电流和所预期的PMOS驱动电流。当然,
本公开的实施例不限于此,目标电流值还可以包括其他WAT测试参数。
的输出则为第一参数。例如,集成电路可以包括环形振荡器,第一参数至少包括环形振荡器
的频率,因此,第一参数可以反映集成电路的电路级性能。当然,本公开的实施例不限于此,
第一参数还可以包括其他类型的参数,例如可以为设计人员所选择或定义的其他物理参
数,只要能够反映集成电路的电路级性能即可,这可以根据实际需求而定,本公开的实施例
对此不作限制。
后文详细说明,此处不再赘述。需要说明的是,本公开的实施例中,第一预测模型不限于神
经网络模型,也可以为其他类型的模型,只要该模型可以基于目标电流值得到第一参数即
可,这可以根据实际需求而定。
数、第二参数、漏电参数之间的对应关系,也即是,根据一个已知的第一参数,可以利用拟合
函数计算得到对应的第二参数和漏电参数。在集成电路包括环形振荡器的情形下,第二参
数至少包括基于环形振荡器的频率得到的电路延时,因此,第二参数可以反映集成电路的
产品级性能。当然,本公开的实施例不限于此,第二参数还可以为其他类型的参数,例如可
以为设计人员所选择或定义的其他物理参数,只要能够反映集成电路的产品级性能即可,
这可以根据实际需求而定,本公开的实施例对此不作限制。例如,在一些示例中,第二参数
可以为基于集成电路中多条路径各自的环形振荡器的频率综合计算得到的参数,以用于反
映产品级性能。漏电参数可以为集成电路中的CMOS晶体管的漏电参数,也可以为集成电路
中其他器件的漏电参数,本公开的实施例对此不作限制。与第二参数的作用类似,漏电参数
也可以反映集成电路的产品级性能。
分布模型,例如正态分布、均匀分布、瑞利分布、指数分布、贝塔分布、伽马分布等,本公开的
实施例对此不作限制。将第二参数和漏电参数代入分布模型,从而可以得到目标分布,该目
标分布即为所预测的集成电路的产品性能分布。
流值下所得到的多个集成电路产品各自的第二参数和漏电参数的分布,从而可以用于后续
的产品评估和分类。而且,上述各个步骤形成自动化流程,设计人员只需提供目标电流值,
即可以得到最终的目标分布。
由神经网络训练得到的神经网络模型作为第一预测模型。
中,测试数据如图4所示,此时目标电流值包括NMOS驱动电流和PMOS驱动电流,一个NMOS驱
动电流和一个PMOS驱动电流对应于一个第一参数(也即图4中所示的电路级性能参数)。例
如,可以针对试量产的产品进行测试以得到测试数据,然后将测试数据的一部分作为训练
样本集,将测试数据的另一部分作为测试样本集。例如,进行测试时,WAT测试包括器件驱动
电流,例如NMOS驱动电流、PMOS驱动电流、其他电路级性能参数等;WS测试包括第一参数(也
即产品级性能参数)及漏电参数等。
为输入层,隐藏层3作为输出层,每个隐藏层包括多个神经元节点。NMOS驱动电流和PMOS驱
动电流作为神经网络模型的输入,第一参数(也即电路级性能参数)作为神经网络模型的输
出。由此,利用该神经网络模型,在提供NMOS驱动电流和PMOS驱动电流时,可以预测得到对
应的第一参数(也即电路级性能参数)。
馈神经网络、反馈网络(或称为回归网络)、自组织神经网络等任意类型的神经网络,本公开
的实施例对此不作限制。
练神经网络所采用的算法还可以为其他任意适用的算法,对神经网络的具体训练方式也可
以参考常规设计,此处不再赘述。
操作。
于预设误差,则表示神经网络的精度满足要求,因此结束训练,此时得到的神经网络模型作
为第一预测模型。例如,预设误差的数值可以根据经验或根据实际需求而定。在步骤S43中,
当输出结果与对照数据之间的差值大于或等于预设误差,则表示神经网络的精度不满足要
求,因此需要修正神经网络的结构并继续训练。通过反复训练,优化调整神经网络的参数以
降低误差,从而可以得到第一预测模型,该第一预测模型是针对电路级性能参数的预测模
型。
然后针对修正后的神经网络继续训练。
结构,然后针对修正后的神经网络继续训练。
模型。需要说明的是,预设阈值的数值可以根据实际需求而定,本公开的实施例对此不作限
制。
度。当利用测试样本集预测的电路级性能参数(也即第一参数)相比WAT测量的电路级性能
参数的误差低于预设误差时,神经网络参数优化结束,此时得到的神经网络模型作为第一
预测模型。当利用测试样本集预测的电路级性能参数相比WAT测量的电路级性能参数的误
差高于或等于预设误差时,如果本次误差与上次误差之间的差值高于预设阈值则继续增加
隐藏层节点数并再次训练和验证精度,如果本次误差与上次误差之间的差值不高于预设阈
值则增加隐藏层数。直到当测试样本集预测的电路级性能参数相比WAT测量的电路级性能
参数的误差低于预设误差时,神经网络参数优化结束,此时得到的神经网络模型作为第一
预测模型。
的对应关系。多组测试数据基于晶圆可接受度测试(WAT测试)和/或晶圆筛选测试(WS测试)
得到。例如,可以针对试量产的产品进行测试以得到多组测试数据,每组测试数据均包括第
一参数、第二参数和漏电参数。例如,可以采用多项式拟合、最小二乘曲线拟合、特定类型函
数拟合等任意的拟合方法,本公开的实施例对此不作限制。
过拟合得到两个子函数。一个子函数表示第一参数与第二参数之间的对应关系,另一个子
函数表示第一参数与漏电参数之间的对应关系。由此,在后续步骤中,根据第一参数,可以
利用拟合函数计算得到第二参数和漏电参数。
例如,多组测试数据基于WAT测试和/或WS测试得到。例如,可以针对试量产的产品进行测试
以得到多组测试数据,每组测试数据均包括第二参数和漏电参数。
函数sinθ、cosθ进行联合表征,从而得到相关性二元正态分布X、Y,以此表征实际的产品级
性能参数和漏电参数的分布。
过枚举法计算得到θ、A和B的均值、标准差,从而完成模型构建。关于二元正态分布计算方式
的详细说明可参考常规设计,此处不再赘述。由此,通过利用三角函数对第二参数的分布和
漏电参数的分布进行联合表征,可以得到二元正态分布,以作为分布模型。
也即是,将通过步骤S20得到的第二参数和漏电参数代入二元分布中,将第二参数作为二元
分布中一个分布的中位数,将漏电参数作为二元分布中另一个分布的中位数,从而可以得
到目标分布。该目标分布为所预测的集成电路的产品性能分布。
第二参数和漏电参数的范围。因此,步骤S70可以包括:基于多个预设区间范围,根据目标分
布中每个点位对应的第二参数和漏电参数,将点位对应的集成电路划分到与多个预设区间
范围之一对应的类别。例如,每个点位表示一个集成电路产品,各个点位对应的集成电路产
品的第二参数和漏电参数彼此不同或者不完全相同。因此,根据第二参数和漏电参数对集
成电路进行类别划分,可以将参数相同或相近的集成电路产品划分为同一类别,而参数相
差较远的集成电路产品划分为不同类别,以实现分类。分类之后,可以将集成电路产品划分
为不同规格及封装类型。
与实测数据的对比图。如图10A和图10B所示,在一些示例中,设置10个预设区间范围(也即
图10A表格中的分类规则1 10),并将落入各个预设区间范围的集成电路产品划分到相应的
~
类别,计算得到各个类别的集成电路产品的数量比例。图10A表格中的预测结果是指基于目
标分布计算得到的各个类别的数量比例,实测数据是指实际测量得到的各个类别的数量比
例。可知,预测结果与实测数据的差异较小,差异均小于10%,由此说明本公开实施例提供的
产品性能分布预测方法得到的目标分布的精度高,准确性高。
仅执行步骤S10‑S30,而不执行步骤S40‑S60,从而直接使用各个模型和函数进行计算,此时
需要预先建立好各个模型和函数。各个步骤是否具体执行,可以根据实际需求而定,本公开
的实施例对此不作限制。
后,将预测的电路级性能参数代入WAT电路级性能参数与WS产品级性能参数/漏电参数拟合
函数,得到产品级性能参数(也即第二参数)和漏电参数。接着,将预测的产品级性能参数/
漏电参数代入产品级性能参数/漏电参数分布模型,获得最终的产品性能分布。最后,按照
一定的分类规则进行分类,实现硅后产品的性能分布预测以及分类。
品所处的各个阶段进行预测,能够处理大量的数据,数据处理能力强。并且,该方法具有较
强的适用性和复用性,可以针对不同晶圆厂的不同产品以及产品的不同阶段进行预测,适
用范围广。本公开实施例提供的方法可以解决传统芯片硅后性能预测过程中的精度较差且
不能提供分布信息等问题,只需提供目标电流值,即可预估相对准确的硅后性能分布状况。
数反映集成电路的电路级性能;第二计算单元,配置为根据第一参数,利用拟合函数得到第
二参数和漏电参数,第二参数反映集成电路的产品级性能;分布计算单元,配置为根据第二
参数和漏电参数,利用分布模型得到目标分布,目标分布为所预测的集成电路的产品性能
分布。
广。
120和分布计算单元130。该产品性能分布预测装置100用于对集成电路(例如芯片)进行硅
后产品性能分布预测,可以预测得到集成电路的产品性能分布,以用于后续的产品评估和
分类,例如用于将产品划分为不同规格及封装类型。
骤S10。第二计算单元120配置为根据第一参数,利用拟合函数得到第二参数和漏电参数。第
二参数反映集成电路的产品级性能。例如,第二计算单元120可以执行如图2所示的方法的
步骤S20。分布计算单元130配置为根据第二参数和漏电参数,利用分布模型得到目标分布。
目标分布为所预测的集成电路的产品性能分布。例如,分布计算单元130可以执行如图2所
示的方法的步骤S30。
元130可以为专用或通用的电路、芯片或装置等,也可以为处理器和存储器的结合。关于第
一计算单元110、第二计算单元120和分布计算单元130的具体实现形式,本公开的实施例对
此不作限制。
可以参考上文中产品性能分布预测方法的相关描述,此处不再赘述。图12所示的产品性能
分布预测装置100的组件和结构只是示例性的,而非限制性的,根据需要,该产品性能分布
预测装置100还可以包括其他组件和结构。
一参数。
型。
网络的输出结果与对照数据进行比较;响应于输出结果与对照数据之间的差值小于预设误
差,结束训练;响应于输出结果与对照数据之间的差值大于或等于预设误差,修正神经网络
的结构并继续训练。
络的隐藏层节点数,并继续训练。第二修正单元配置为响应于输出结果与对照数据之间的
当前差值与前一次差值之间的差小于或等于预设阈值,增加神经网络的隐藏层数量,并继
续训练。
例如,二元分布包括二元正态分布,二元正态分布
区间范围,根据目标分布中每个点位对应的第二参数和漏电参数,将点位对应的集成电路
划分到与多个预设区间范围之一对应的类别。
一参数至少包括环形振荡器的频率,第二参数至少包括基于环形振荡器的频率得到的电路
延时。例如,多组测试数据基于晶圆可接受度测试和/或晶圆筛选测试得到。
可以处理大量数据,具有较强的复用性,适用范围广。
的产品性能分布预测装置100。关于该电子设备200的相关说明可参考上文中关于产品性能
分布预测装置100的描述,此处不再赘述。
计算机程序模块包括用于实现本公开任一实施例提供的产品性能分布预测方法。该电子设
备可以实现自动化流程,可以快速精准地完成硅后产品性能分布预测,能够在硅后产品所
处的各个阶段进行预测,可以处理大量数据,具有较强的复用性,适用范围广。
如一个或多个计算机程序模块)。处理器310用于运行非暂时性计算机可读指令,非暂时性
计算机可读指令被处理器310运行时可以执行上文所述的产品性能分布预测方法中的一个
或多个步骤。存储器320和处理器310可以通过总线系统和/或其它形式的连接机构(未示
出)互连。
程门阵列(FPGA)等;例如,中央处理单元(CPU)可以为X86或ARM架构等。处理器310可以为通
用处理器或专用处理器,可以控制电子设备300中的其它组件以执行期望的功能。
失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失
性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式
紧致盘只读存储器(CD‑ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个
或多个计算机程序模块,处理器310可以运行一个或多个计算机程序模块,以实现电子设备
300的各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据以及应用
程序使用和/或产生的各种数据等。
以是终端设备或服务器等。需要注意的是,图15示出的电子设备400仅仅是一个示例,其不
会对本公开实施例的功能和使用范围带来任何限制。
储器(RAM)43中的程序而执行各种适当的动作和处理。在RAM 43中,还存储有电子设备400
操作所需的各种程序和数据。处理装置41、ROM 42以及RAM 43通过总线44彼此相连。输入/
输出(I/O)接口45也连接至总线44。
等的输出装置47;包括例如磁带、硬盘等的存储装置48;以及通信装置49。通信装置49可以
允许电子设备400与其他电子设备进行无线或有线通信以交换数据。虽然图15示出了具有
各种装置的电子设备400,但应理解的是,并不要求实施或具备所有示出的装置,电子设备
400可以替代地实施或具备更多或更少的装置。
可读介质上的计算机程序,该计算机程序包括用于执行上述产品性能分布预测方法的程序
代码。在这样的实施例中,该计算机程序可以通过通信装置49从网络上被下载和安装,或者
从存储装置48安装,或者从ROM 42安装。在该计算机程序被处理装置41执行时,可以实现本
公开实施例提供的产品性能分布预测方法中限定的功能。
性能分布预测方法。利用该存储介质,可以实现自动化流程,可以快速精准地完成硅后产品
性能分布预测,能够在硅后产品所处的各个阶段进行预测,可以处理大量数据,具有较强的
复用性,适用范围广。
执行时可以执行根据上文所述的产品性能分布预测方法中的一个或多个步骤。
的电子设备300中的存储器320的相应描述,此处不再赘述。