elettronica.live
19
'26
Written on Modified on
Keysight introduce toolkit AI per accelerare i PDK
Il nuovo modulo automatizza l’estrazione dei parametri per modelli compatti e supporta workflow DTCO per nodi avanzati, RF e power.
www.keysight.com
Il Machine Learning Toolkit accelera lo sviluppo dei modelli da settimane a ore.
Con l’evoluzione verso architetture gate-all-around, materiali wide-bandgap e strategie di integrazione basate su chiplet, la creazione dei modelli e l’estrazione dei parametri stanno diventando un collo di bottiglia per il design enablement. Keysight Technologies ha introdotto un Machine Learning Toolkit nella Keysight Device Modeling Software Suite per accelerare la modellazione dei dispositivi e lo sviluppo dei Process Design Kit (PDK).
Perché modellazione ed estrazione rallentano i nodi avanzati
Architetture come i transistor gate-all-around (GAA), strategie di integrazione eterogenea come chiplet e 3D stacking e l’adozione di GaN e SiC aumentano in modo significativo il numero di condizioni operative e di effetti secondari che i modelli devono catturare. In molti flussi, i team continuano a basarsi su compact model fisici e tuning manuale, con centinaia di parametri interdipendenti da regolare su diverse condizioni di bias, temperatura e segnale.
Questo processo manuale può richiedere settimane, soprattutto quando l’ottenimento di un fit ottimale dipende da iterazioni successive e dall’esperienza dell’ingegnere invece che da un meccanismo di ottimizzazione ripetibile. Con tempistiche sempre più strette, cresce l’esigenza di workflow automatizzati e più predittivi per l’estrazione dei parametri, in particolare nei programmi DTCO.
Estrazione guidata da ML in Device Modeling MBP 2026
Il Machine Learning Toolkit è distribuito con l’ultima release della Device Modeling Software Suite ed è implementato in Device Modeling MBP 2026. Il toolkit include un ML optimizer, flussi di estrazione automatizzati e utility a supporto, con l’obiettivo di sostituire i loop manuali più onerosi con ottimizzazione ML basata su architetture di reti neurali.
Keysight indica che questo approccio può ridurre tempi complessivi di sviluppo ed estrazione da settimane a ore, abilitando deployment più rapido dei PDK e sviluppo più veloce di applicazioni DTCO.
Da centinaia di step manuali a ottimizzazione automatizzata
Il focus tecnico principale è la riduzione delle fasi di estrazione. Nei flussi tradizionali possono servire oltre 200 step, con regolazioni iterative dei parametri quando le prestazioni del modello cambiano al variare delle condizioni. Il flusso automatizzato del toolkit mira a ridurre questo numero a meno di dieci step e, in una configurazione descritta, a circa cinque-sei step automatizzati.
All’interno del processo, il toolkit supporta l’ottimizzazione globale di oltre 80 parametri in un’unica passata. L’estrazione è progettata per catturare effetti secondari, variazioni di temperatura e comportamenti dinamici, riducendo la necessità di continui ritocchi manuali. I modelli risultanti sono destinati a impieghi DC, RF e strong-signal.
Integrazione nei pipeline di automazione EDA
Il toolkit è progettato per integrarsi con la Device Modeling Platform di Keysight e supporta personalizzazioni in Python. Questo è rilevante nei contesti in cui i team devono standardizzare e versionare i flussi su diversi nodi e famiglie di dispositivi e collegare la generazione dei modelli ai dataset di validazione e ai pipeline di rilascio PDK.
In questo senso, il modulo si inserisce come elemento abilitante per una pipeline “model-to-PDK” più automatizzata, dove le ricette di estrazione possono essere riutilizzate e adattate, invece di essere ricostruite per ogni nuova generazione di processo.
Copertura tecnologica: FinFET, GAA, GaN, SiC e bipolari
Keysight posiziona il Machine Learning Toolkit come scalabile su più tecnologie di dispositivi, inclusi FinFET e GAA, oltre a dispositivi wide-bandgap GaN e SiC e componenti bipolari. L’obiettivo dichiarato è garantire riproducibilità su più nodi tecnologici e workflow riutilizzabili su più tipologie di dispositivi.
Per i team semiconduttori con portafogli misti tra advanced logic, RF front-end e power, questa portabilità dei workflow incide direttamente sulla velocità di design enablement e sulla rapidità con cui i modelli validati diventano disponibili per la progettazione circuitale.
Effetti sul DTCO: cicli PDK più brevi
Keysight collega il toolkit all’efficienza DTCO riducendo il feedback loop tra component modeling e circuit design. L’obiettivo è accorciare i cicli di sviluppo PDK da settimane a giorni grazie a estrazione più rapida, maggiore predittività dei modelli e automazione di step che normalmente richiedono continue iterazioni esperte.
In pratica, questo supporta iterazioni più rapide tra livello componente e livello circuito, soprattutto nei programmi advanced node in cui la maturità PDK è strettamente legata alle tempistiche di tape-out e la precisione deve mantenersi stabile su un range operativo più ampio.
www.keysight.com
Con l’evoluzione verso architetture gate-all-around, materiali wide-bandgap e strategie di integrazione basate su chiplet, la creazione dei modelli e l’estrazione dei parametri stanno diventando un collo di bottiglia per il design enablement. Keysight Technologies ha introdotto un Machine Learning Toolkit nella Keysight Device Modeling Software Suite per accelerare la modellazione dei dispositivi e lo sviluppo dei Process Design Kit (PDK).
Perché modellazione ed estrazione rallentano i nodi avanzati
Architetture come i transistor gate-all-around (GAA), strategie di integrazione eterogenea come chiplet e 3D stacking e l’adozione di GaN e SiC aumentano in modo significativo il numero di condizioni operative e di effetti secondari che i modelli devono catturare. In molti flussi, i team continuano a basarsi su compact model fisici e tuning manuale, con centinaia di parametri interdipendenti da regolare su diverse condizioni di bias, temperatura e segnale.
Questo processo manuale può richiedere settimane, soprattutto quando l’ottenimento di un fit ottimale dipende da iterazioni successive e dall’esperienza dell’ingegnere invece che da un meccanismo di ottimizzazione ripetibile. Con tempistiche sempre più strette, cresce l’esigenza di workflow automatizzati e più predittivi per l’estrazione dei parametri, in particolare nei programmi DTCO.
Estrazione guidata da ML in Device Modeling MBP 2026
Il Machine Learning Toolkit è distribuito con l’ultima release della Device Modeling Software Suite ed è implementato in Device Modeling MBP 2026. Il toolkit include un ML optimizer, flussi di estrazione automatizzati e utility a supporto, con l’obiettivo di sostituire i loop manuali più onerosi con ottimizzazione ML basata su architetture di reti neurali.
Keysight indica che questo approccio può ridurre tempi complessivi di sviluppo ed estrazione da settimane a ore, abilitando deployment più rapido dei PDK e sviluppo più veloce di applicazioni DTCO.
Da centinaia di step manuali a ottimizzazione automatizzata
Il focus tecnico principale è la riduzione delle fasi di estrazione. Nei flussi tradizionali possono servire oltre 200 step, con regolazioni iterative dei parametri quando le prestazioni del modello cambiano al variare delle condizioni. Il flusso automatizzato del toolkit mira a ridurre questo numero a meno di dieci step e, in una configurazione descritta, a circa cinque-sei step automatizzati.
All’interno del processo, il toolkit supporta l’ottimizzazione globale di oltre 80 parametri in un’unica passata. L’estrazione è progettata per catturare effetti secondari, variazioni di temperatura e comportamenti dinamici, riducendo la necessità di continui ritocchi manuali. I modelli risultanti sono destinati a impieghi DC, RF e strong-signal.
Integrazione nei pipeline di automazione EDA
Il toolkit è progettato per integrarsi con la Device Modeling Platform di Keysight e supporta personalizzazioni in Python. Questo è rilevante nei contesti in cui i team devono standardizzare e versionare i flussi su diversi nodi e famiglie di dispositivi e collegare la generazione dei modelli ai dataset di validazione e ai pipeline di rilascio PDK.
In questo senso, il modulo si inserisce come elemento abilitante per una pipeline “model-to-PDK” più automatizzata, dove le ricette di estrazione possono essere riutilizzate e adattate, invece di essere ricostruite per ogni nuova generazione di processo.
Copertura tecnologica: FinFET, GAA, GaN, SiC e bipolari
Keysight posiziona il Machine Learning Toolkit come scalabile su più tecnologie di dispositivi, inclusi FinFET e GAA, oltre a dispositivi wide-bandgap GaN e SiC e componenti bipolari. L’obiettivo dichiarato è garantire riproducibilità su più nodi tecnologici e workflow riutilizzabili su più tipologie di dispositivi.
Per i team semiconduttori con portafogli misti tra advanced logic, RF front-end e power, questa portabilità dei workflow incide direttamente sulla velocità di design enablement e sulla rapidità con cui i modelli validati diventano disponibili per la progettazione circuitale.
Effetti sul DTCO: cicli PDK più brevi
Keysight collega il toolkit all’efficienza DTCO riducendo il feedback loop tra component modeling e circuit design. L’obiettivo è accorciare i cicli di sviluppo PDK da settimane a giorni grazie a estrazione più rapida, maggiore predittività dei modelli e automazione di step che normalmente richiedono continue iterazioni esperte.
In pratica, questo supporta iterazioni più rapide tra livello componente e livello circuito, soprattutto nei programmi advanced node in cui la maturità PDK è strettamente legata alle tempistiche di tape-out e la precisione deve mantenersi stabile su un range operativo più ampio.
www.keysight.com
Richiedi maggiori informazioni…
