利用多核稀疏表示技术对SRAM和模拟电路进行可扩展的产量分析

《ACM Transactions on Design Automation of Electronic Systems》：Scalable Yield Analysis of SRAM and Analog Circuits Using Multi-Kernel Sparse Representation

随着技术节点进步和定制电路稳定性要求提升，早期设计阶段定制电路产量分析面临关键瓶颈。本文提出多核稀疏表示分类方法MKSRC，通过类平衡采样解决数据不平衡，利用多核自适应权重增强分类精度与鲁棒性。实验表明MKSRC在32位SRAM列和模拟电路中，较现有最优方法平均提升2.57-3.29倍准确率与效率。

　　

摘要

随着技术节点的进步以及对稳定性的要求日益严格，在设计初期对定制电路进行总体良率分析已成为制造过程中的一个关键瓶颈。在本文中，我们提出了一种基于多核稀疏表示的分类（MKSRC）方法，通过分类尾部样本来提高故障概率估计的效率和可扩展性。该方法采用类平衡采样来解决数据不平衡问题，并利用具有自适应核权重的多核特征来提升分类器的准确性和鲁棒性。在32位SRAM单元和模拟电路上的实验结果表明，与其它最先进的方法相比，所提出的MKSRC方法在分类准确性和效率方面具有更高的性能，尤其是在训练数据有限的场景下。与现有的最佳良率估计方法相比，MKSRC方法在准确性和效率上平均提升了2.57至3.29倍，这凸显了其在SRAM和模拟电路良率分析中提供高效且可扩展解决方案的能力。