La influencia del aprendizaje automático en el futuro del análisis de tiempo estático
Barra lateral del artículo
Contenido principal del artículo
Resumen
Introducción. El Análisis de Tiempo Estático (ATS), fundamental en el diseño de circuitos integrados, implica evaluar el rendimiento temporal de circuitos digitales bajo diversas condiciones para cumplir ciertas restricciones, mediante simulación. A pesar de su importancia, el ATS tradicional enfrenta varias limitaciones a la hora de considerar en sus modelos la creciente complejidad del proceso de fabricación de circuitos integrados. La inclusión de Inteligencia Artificial (IA) se vislumbra como una solución prometedora para mejorar la precisión y eficiencia del ATS, reduciendo así los ciclos de diseño en la industria electrónica. Objetivo. Estudiar la influencia que tiene en la actualidad, y que puede tener a futuro la inclusión de la IA para la optimización del ATS, y por lo tanto para reducir los ciclos de diseño en la industria de la electrónica. Metodología. La IA se ha integrado en el Análisis de Tiempo Estático (ATS), mejorando la precisión y eficiencia al estimar retrasos, modelar variaciones de proceso y optimizar rutas y procesos de síntesis. Esta integración permite abordar la complejidad y variabilidad de los circuitos integrados modernos, acelerando la convergencia del diseño, reduciendo iteraciones y mejorando la calidad del diseño. Además, IA se aplica en la caracterización del modelo para ATS, utilizando simulaciones adaptativas para acelerar el proceso de verificación y reducir significativamente el tiempo de comercialización, crucial en la industria de semiconductores. En este artículo se hace una revisión del estado actual y las proyecciones a futuro del aporte de la IA en el ATS. Discusión. El futuro del ATS promete una serie de avances que buscan mejorar sus capacidades y abordar los desafíos emergentes en el diseño de circuitos integrados. Estos desarrollos incluyen una mayor integración con el Aprendizaje Automático (ML) para mejorar la precisión y eficiencia. Con la evolución hacia nodos de proceso más pequeños, el ATS deberá adaptarse para manejar la mayor complejidad y variabilidad introducida, posiblemente empleando algoritmos de ML más sofisticados. Además, se espera que el ATS se enfoque más en consideraciones de potencia y confiabilidad, incorporando métricas adicionales y análisis de datos más complejos, posiblemente con la ayuda de la IA, para garantizar la eficiencia energética y la robustez contra problemas de confiabilidad. Conclusión. El futuro del ATS se perfila hacia una constante innovación y adaptación para satisfacer las cambiantes necesidades de la industria de semiconductores. Aprovechando avances tecnológicos y metodológicos, el ATS jugará un papel crucial en asegurar la entrega puntual de diseños de circuitos integrados de alto rendimiento y fiabilidad. Dada la capacidad de optimización y análisis de datos de la IA, su potencial revolucionario en el ATS es considerable, especialmente ante la creciente inclusión de requisitos cada vez más exigentes. Área de la ciencia: ingeniería electrónica.
Descargas
Detalles del artículo
Citas
Castro-Zunti, R. D., Yepez, J., & Ko, S.-B. (2020). License plate segmentation and recognition system using deep learning and OpenVINO. IET Intelligent Transport Systems, 14(2): 119–126. https://doi.org/10.1049/iet-its.2019.0481
Chae, K. J., Jin, G. Y., Ko, S. B., Wang, Y., Zhang, H., Choi, E. J., & Choi, H. (2020). Deep learning for the classification of small (≤2 cm) pulmonary nodules on ct imaging: a preliminary study. Academic Radiology, 27(4), e55–e63. https://doi.org/10.1016/j.acra.2019.05.018
Chollet, F. (2017). Deep learning with python (1st edition). Manning Publications.
Design & Reuse. (s.f.). Integration of design-for-analysis in IC layout considerations to meet the challenges of shrinking technology. https://www.design-reuse.com/articles/18531/design-for-analysis-ic-layout.html
Forzan, C., & Pandini, D. (2009). Statistical static timing analysis: A survey. Integration, 42(3): 409–435. https://doi.org/10.1016/j.vlsi.2008.10.002
Géron, A. (2019). Hands-on machine learning with scikit-learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems (2 edition). O’Reilly Media.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. The MIT Press.
Han, Z., Zhao, J., Leung, H., Ma, K. F., & Wang, W. (2019). A review of deep learning models for time series prediction. IEEE Sensors Journal, 21(6): 7833-7848. https://doi.org/10.1109/JSEN.2019.2923982
Jiang, Z., Zhang, H., Wang, Y., & Ko, S.-B. (2018). Retinal blood vessel segmentation using fully convolutional network with transfer learning. Computerized Medical Imaging and Graphics, 68: 1–15. https://doi.org/10.1016/j.compmedimag.2018.04.005
Kaeslin, H. (Ed.). (2015). Chapter 4—Circuit modeling with hardware description languages. Top-Down Digital VLSI Design (pp. 179–300). Morgan Kaufmann. https://doi.org/10.1016/B978-0-12-800730-3.00004-6
Muthukrishnan, P., & Sathasivam, S. (2022). A technical survey on delay defects in nanoscale digital VLSI circuits. Applied Sciences, 12(18): 9103. https://doi.org/10.3390/app12189103
Raschka, S. (2015). Python Machine Learning, 1st Edition. Packt Publishing.
Tan, W.-L., & Santarini, M. (2023). How Siemens EDA’s Solid achieved production-grade AI in EDA applications. Siemens Digital Industries Software. https://resources.sw.siemens.com/en-US/white-paper-how-siemens-edas-solido-achieved-production-grade-ai-in-eda-applications
Torres-Tello, J., Guamán, A. V., & Ko, S.-B. (2020). Improving the detection of explosives in MOX chemical sensors array with LSTM Networks. IEEE Sensors Journal, 20(23): 14302–14309. https://doi.org/10.1109/JSEN.2020.3007431
Synopsys. (s.f.). What is Static Timing Analysis (STA)? – How STA works? https://www.synopsys.com/glossary/what-is-static-timing-analysis.html