تحلیل همزمان پیری تصادفی ترانزیستورها و نوسان فرآیند در سیستمهای دیجیتال با توسعه مدل یادگیری ماشین برای سلولهای استاندارد

امروزه قابلیت اعتماد یکی از چالش‌های اساسی در طراحی مدارات نانومتری است. پیری ترانزیستورها و نوسان فرایند دو عامل مهم موثر بر قابلیت اعتماد هستند. باگذشت زمان ترانزیستورها پیر می‌شوند به این معنی که مشخصات ترانزیستورها و به طور ویژه ولتاژ آستانه آنها تغییر می‌کند که سبب افزایش تاخیر می‌گردد. این افزایش تاخیر در نهایت باعث تخطی از محدودیت‌های زمانی و نادرست بودن عملکرد مدار می‌گردد. پدیده‌های گوناگونی سبب پیری ترانزیستورها می‌شوند که ناپایداری حرارتی بایاس (bti) یکی از مهم‌ترین آنها است. این پدیده در تکنولوژی‌های ساخت پیشرفته امروزی ماهیتی تصادفی از خود نشان می‌دهد و برای توصیف آن مدل‌های اتمی ارائه شده است. نوسان فرایند به تغییرات تصادفی مشخصات ترانزیستور و مدار با مقادیر مورد انتظار گفته می شود که به سبب غیر ایده آل بودن فرایند ساخت و غالبا تحت تاثیر فرایند لیتوگرافی ایجاد می شوند. تحلیل هم‌زمان این پدیده‌ها به بهبود طراحی کمک زیادی می‌کند. امروزه که نقطه شروع طراحی سیستم‌های دیجیتال به سطوح بالاتر انتزاع رفته است، به‌منظور جستجوی موثر فضای طراحی نیازمند مدل‌های سریع و دقیق برای ارزیابی قابلیت اعتماد مدارها هستیم. در این مقاله با توسعه مدل‌های مبتنی بر یادگیری ماشین برای تحلیل هم‌زمان پیری و نوسان فرایند سلول‌های استاندارد، یک روش تحلیل بر پایه مونت‌کارلو پیشنهاد شده است. نتایج آزمایش نشان‌دهنده بهبود زمان تحلیل با میانگین 49 درصد و 88.7 درصد نسبت به دو روش پیشرفته معرفی شده در مقالات است. این بهبود هم‌زمان با حفظ دقت تحلیل به‌دست‌آمده است. البته برای رسیدن به این بهبود زمان زیادی صرف آموزش مدل‌ها می‌شود که آن‌هم یک‌بار و به‌صورت آفلاین انجام می‌شود و تاثیری در زمان اجرا ندارد.

simultaneous analysis of the stochastic transistor aging and process variation in digital systems by developing machine learning-based models for standard cells

transistor aging and process variation are critical challenges impacting the reliability of nanometer-scale circuit design. over time, transistors age due to phenomena such as bias temperature instability (bti), which increases gate delays and can lead to timing violations and circuit malfunctions. this phenomenon exhibits stochastic behavior in advanced technologies and has been characterized using atomic models. process variation refers to random deviations in transistor and circuit characteristics from expected values, often arising from non-ideal manufacturing processes and lithography effects. simultaneous analysis of these factors significantly enhances design improvements. as digital system design progresses to higher abstraction levels, there is an increasing need for fast and accurate models to effectively assess circuit reliability. this paper introduces a monte carlo-based analysis method developed through machine learning models to jointly address the effects of stochastic aging and process variation in standard cells. experimental results demonstrate an average analysis time improvement of 49% and 88.7% over two advanced methods from previous literature, while maintaining analysis accuracy. importantly, extensive model training is conducted offline, ensuring no impact on execution time.