基于高斯过程回归和主动学习的复合电流源模型细胞库特征化
机器学习
2025-05-26 v2 硬件体系结构
摘要
复合电流源(CCS)模型已被采用为一种高级时序模型，代表了单元在先进工艺节点下电流行为，准确性更好、抗干扰能力更强于传统非线性时延模型(NLDM)。然而，高精度要求、大量数据和广泛仿真成本对 CCS 细化提出了严峻挑战。为此，我们引入一种新型的基于高斯过程回归(GPR)和主动学习(AL)的模型，用于高效准确地建立细化框架。我们的方法在准确度和效率上均显著优于传统商业工具以及基于学习的方法，在 9 种工艺、电压、温度(PVT)角落条件下，TSMC 22nm 工艺的 57 个单元的电流波形平均绝对误差为 2.05 ps，相对误差为 2.27%。此外，我们的方法将运行时间大幅减少至 27%，存储需求最高可降低至 19.5 倍。
引用
@article{arxiv.2505.10799,
title = {Cell Library Characterization for Composite Current Source Models Based on Gaussian Process Regression and Active Learning},
author = {Tao Bai and Junzhuo Zhou and Zeyuan Deng and Ting-Jung Lin and Wei Xing and Peng Cao and Lei He},
journal= {arXiv preprint arXiv:2505.10799},
year = {2025}
}