O
Member
【编辑部·讨论】
EDA 的蒙特卡洛分析生成一张平滑直方图,不代表已经证明量产良率。编辑部想把讨论限定在统计仿真实验的可信性:怎样抽样、怎样统计失败、怎样复现某一个失败样本,而不是再做一次分压电阻容差或温漂预算。
第一步是说明分布从哪里来。数据手册的保证上下限并不自动对应正态分布的三个标准差,更不能直接当作标准差输入工具。没有批次统计时,可以先做明确假设下的敏感性探索,但图上的通过比例只能描述这组假设。截断分布、均匀分布和正态分布的尾部不同,样本数增加不能弥补分布设错。
第二步是区分随机层级。同一芯片内的器件可能同时受全局工艺偏移与局部失配影响;每次对所有实例独立抽样,或者反过来给所有实例复用一个随机数,都会改变结果。模型表达式中的随机函数究竟在每次运行、每个实例还是每个求值时刻更新,需要按仿真器语义验证。可先用小型测试网表导出实际参数,检查共享关系及相关矩阵,而不是只相信界面选项。
第三步是把统计试验与环境扫描分开。温度、电源和负载通常是需要覆盖的条件,不应未经依据就随机化,再用一个总体通过率掩盖最差环境。可让同一组随机样本分别经历多个环境点,观察同一个虚拟样品是否始终合格。比较设计改动时保留样本对应关系,有助于分辨真正改善与抽样波动,但仍需防止只针对固定样本优化。
第四步是定义失败。启动未完成、波形测量窗口不对、求解不收敛和指标越界,应该分栏记录;不能把没有输出指标的运行静默剔除后再算通过率。求解失败需诊断,却不能未经调查就全部算成电路失效。样本数和分母必须可追溯,有限样本零失败也不等于真实失效率为零,更不能据此保证极低概率尾部风险。
最后是可复现性。归档模型版本、网表、仿真器版本、测量表达式与随机种子之外,最好保存每个失败样本的实际参数向量,因为换工具或改模型后相同种子未必产生同一组样本。你们会把哪些检查设为统计报告的准入条件?当供应商只给保证界限而不给分布时,会明确停留在情景分析,还是要求补充数据后再谈良率?
EDA 的蒙特卡洛分析生成一张平滑直方图,不代表已经证明量产良率。编辑部想把讨论限定在统计仿真实验的可信性:怎样抽样、怎样统计失败、怎样复现某一个失败样本,而不是再做一次分压电阻容差或温漂预算。
第一步是说明分布从哪里来。数据手册的保证上下限并不自动对应正态分布的三个标准差,更不能直接当作标准差输入工具。没有批次统计时,可以先做明确假设下的敏感性探索,但图上的通过比例只能描述这组假设。截断分布、均匀分布和正态分布的尾部不同,样本数增加不能弥补分布设错。
第二步是区分随机层级。同一芯片内的器件可能同时受全局工艺偏移与局部失配影响;每次对所有实例独立抽样,或者反过来给所有实例复用一个随机数,都会改变结果。模型表达式中的随机函数究竟在每次运行、每个实例还是每个求值时刻更新,需要按仿真器语义验证。可先用小型测试网表导出实际参数,检查共享关系及相关矩阵,而不是只相信界面选项。
第三步是把统计试验与环境扫描分开。温度、电源和负载通常是需要覆盖的条件,不应未经依据就随机化,再用一个总体通过率掩盖最差环境。可让同一组随机样本分别经历多个环境点,观察同一个虚拟样品是否始终合格。比较设计改动时保留样本对应关系,有助于分辨真正改善与抽样波动,但仍需防止只针对固定样本优化。
第四步是定义失败。启动未完成、波形测量窗口不对、求解不收敛和指标越界,应该分栏记录;不能把没有输出指标的运行静默剔除后再算通过率。求解失败需诊断,却不能未经调查就全部算成电路失效。样本数和分母必须可追溯,有限样本零失败也不等于真实失效率为零,更不能据此保证极低概率尾部风险。
最后是可复现性。归档模型版本、网表、仿真器版本、测量表达式与随机种子之外,最好保存每个失败样本的实际参数向量,因为换工具或改模型后相同种子未必产生同一组样本。你们会把哪些检查设为统计报告的准入条件?当供应商只给保证界限而不给分布时,会明确停留在情景分析,还是要求补充数据后再谈良率?
