神经网络加速3nm纳米片SPICE仿真

研究人员在慕尼黑工业大学发表了题为“基于神经网络的晶体管建模用于超快SPICE仿真和标准单元库表征”的研究论文。神经网络（NN）晶体管模型已被证明是加速器件建模的有前景的解决方案。尽管这些模型在电路仿真中表现出显著的加速效果，但它们尚未在芯片设计的标准EDA工具流程中的复杂任务中得到严格测试，这些任务需要非常高的晶体管模型精度以提供准确的结果并正确收敛。为了研究它们的全部潜力和前景，我们开发了能够准确预测3nm纳米片漏电流和各种电荷的基于NN的晶体管模型，并使用这些模型对标准单元库进行表征。这使我们能够在非常广泛的SPICE仿真下评估准确性和加速效果，并将我们的模型与行业标准实现进行基准测试。由于标准单元库表征涉及数千次SPICE仿真，它作为晶体管模型质量和一致性的绝佳基准。为了进一步评估模型精度，我们还对各种复杂电路进行了模拟和数字级仿真。我们的实验表明，基于NN的模型是现有晶体管紧凑模型的有效替代方案，能够以比传统的基于Verilog-A的行业标准（BSIM-CMG）晶体管紧凑模型更高的速度和收敛时间产生准确的延迟和功率估计。我们的NN在广泛的电路上的延迟和总功率评估中实现了小于0.11%和0.76%的错误，同时在标准单元库表征中节省了高达8倍的时间。此外，我们还提供了关于NN精度的全面信息和指导，揭示了NN大小与电路仿真精度之间的关系。