探寻良率壁垒：基于最优流形的高维 SRAM 评估
机器学习
2023-08-01 v1 机器学习
摘要
随着模型电路在先进工艺节点下尺寸缩小至亚微米级，能够高效获得 SRAM 器件失效概率的准确估计已成为核心问题。本文重新审视经典的范数最小化方法，将其推广至无穷分量情形，并推导出新颖的最优流形概念，该概念桥接了基于代理模型与重要性采样（IS）的良率估计方法。随后我们推导出一个次优流形——最优超球面，由此引出一种感知失效边界的高效采样方法，称为洋葱采样。最后，我们使用神经耦合流（像代理模型一样从样本中学习）作为 IS 提议分布。这些组合产生了一种新颖的良率估计方法，命名为最优流形重要性采样（OPTIMIS），它保留了代理模型与 IS 方法的优势，以鲁棒性和一致性提供最先进的性能，在高维 SRAM 评估中相较最佳 SOTA 方法在效率上提升达 3.5 倍、在精度上提升达 3 倍。
引用
@article{arxiv.2307.15773,
title = {Seeking the Yield Barrier: High-Dimensional SRAM Evaluation Through Optimal Manifold},
author = {Yanfang Liu and Guohao Dai and Wei W. Xing},
journal= {arXiv preprint arXiv:2307.15773},
year = {2023}
}
备注
2023 60th ACM/IEEE Design Automation Conference(DAC)