Keysight представляє інструментарій машинного навчання для прискорення моделювання пристроїв та розробки PDK

Моделювання на основі штучного інтелекту та машинного навчання скорочує час виходу продукції на ринок завдяки прискоренню спільної оптимізації проєктних рішень і технологій (DTCO), а також інтенсифікує процес екстракції параметрів моделей для передових техпроцесів, радіочастотних (РЧ) та силових застосунків.

САНТА-РОЗА, Каліфорнія, 15 січня 2026 р.

Компанія Keysight Technologies, Inc. (NYSE: KEYS) сьогодні оголосила про випуск нового інструментарію машинного навчання (Machine Learning Toolkit) у складі останньої версії програмного комплексу Keysight Device Modeling Software Suite. Це нове рішення скорочує час розробки моделей та екстракції їхніх параметрів із тижнів до годин, що забезпечує швидшу поставку комплектів для проєктування процесів (PDK) та прискорює реалізацію завдань із спільної оптимізації проєктних рішень і технологій (DTCO).

Напівпровідникова галузь переживає стрімку трансформацію, зумовлену впровадженням передових архітектур, таких як транзистори з кільцевим затвором (GAA), використанням широкозонних матеріалів, зокрема нітриду галію (GaN) та карбіду кремнію (SiC), а також стратегій гетерогенної інтеграції, що включають чіплети та 3D-стекування. Хоча ці інновації підвищують продуктивність, вони також створюють складні виклики у сфері моделювання та екстракції параметрів. Традиційні робочі процеси базуються на фізичних компактних моделях та ручному вилученні параметрів, що змушує інженерів коригувати сотні взаємопов’язаних параметрів для різних умов експлуатації — цей процес може тривати тижнями і часто не дає змоги досягти оптимальних результатів. В умовах дедалі стисліших графіків розробки критично необхідними стають швидші, предиктивні та автоматизовані рішення для моделювання на основі штучного інтелекту та машинного навчання (AI/ML).

Новий інструментарій машинного навчання Keysight, що містить ML-оптимізатор, алгоритми автоматичної екстракції та допоміжні утиліти в межах ПЗ Device Modeling MBP 2026, вирішує ці проблеми шляхом впровадження середовища, яке поєднує в собі передові архітектури нейронних мереж із оптимізацією на базі машинного навчання. Використання цього набору інструментів дозволяє скоротити кількість кроків автоматичної екстракції параметрів із понад 200 до менш ніж 10, що прискорює випуск PDK, автоматизує процеси DTCO та скорочує термін виходу продукції на ринок.

Ключові особливості та переваги:

• Прискорена екстракція параметрів: скорочує сотні ручних кроків до 5–6 автоматизованих етапів, дозволяючи проводити глобальну оптимізацію понад 80 параметрів за один цикл, враховуючи вторинні ефекти, температурні коливання та динамічні характеристики. Це рішення усуває необхідність у повторюваному ручному налаштуванні та підвищує точність прогнозування в режимах постійного струму (DC), радіочастот (RF) та великих сигналів.
• Автоматизований робочий процес: безшовно інтегрується з платформою Keysight для моделювання пристроїв, підтримуючи кастомізацію на базі Python та надійний автоматизований потік моделювання.
• Масштабованість між технологіями: робочі процеси легко адаптуються до пристроїв FinFET, GAA, GaN, SiC та біполярних транзисторів, забезпечуючи повторюваність та можливість багаторазового використання алгоритмів для різних технологічних вузлів.
• Підвищена ефективність DTCO: забезпечує швидші цикли зворотного зв’язку між етапами проєктування пристроїв та схемотехніки, скорочуючи цикли розробки PDK із тижнів до днів.

Нілеш Камдар, генеральний менеджер Keysight EDA, зазначив: «Технології AI/ML докорінно трансформують традиційні робочі процеси та методології компактного моделювання. Завдяки новому інструментарію машинного навчання ми надаємо нашим клієнтам можливість створювати точніші та якісніші моделі за значно менший час, прискорюючи розробку PDK та допомагаючи їм встигати за напівпровідниковими технологіями, що стрімко розвиваються».

Використовуючи моделювання на базі AI/ML, Keysight дозволяє напівпровідниковим компаніям прискорювати впровадження інновацій, знижувати ризики під час розробки та зберігати конкурентні переваги на ринку, що швидко змінюється. Для отримання докладнішої інформації відвідайте розділ розділ рішень Keysight для моделювання пристроїв.

Додаткові вдосконалення в інших рішеннях Keysight для моделювання пристроїв включають:

• Device Modeling MQA 2026: впроваджено нові правила щодо перевірки якості моделей старіння (Aging Model QA) для інтерфейсів OMI та MOSRA.
• Device Modeling WaferPro 2025: реалізовано нову функцію дистанційного керування для віддаленого тестування низькочастотних шумів за допомогою аналізатора A-LFNA, що підвищує гнучкість та ефективність вимірювань.
• A-LFNA 2026: представлено нову можливість стрес-тестування на низькочастотний шум для безперервного вимірювання від етапу навантажувальних випробувань до аналізу шумів.

Джерело: Keysight Press Releases