Künstliche Intelligenz hilft der Mikroelektronik

Was benötigen Chipdesigner künftig, um ein System nicht nur kosteneffizient, sondern auch das Risiko beim Systementwurf zu senken? Das Erfahrungswissen von Design-Ingenieuren prägt in weiten Teilen den Entwurf und die Verifikation von mikroelektronischen und mikro-elektromechanischen Systemen, den sogenannten MEMS. Die Entwicklung solcher Systeme wird seit jeher wissenschaftlich bearbeitet und durch immer anspruchsvollere und automatisierte Entwurfsmethoden optimiert. Erfahrungswissen lässt sich allerdings oft nicht formal abbilden und damit für ein automatisiertes Entwerfen nutzen, wie das es für rein digitale Systeme möglich ist.

Seit Januar dieses Jahres beschäftigen sich Wissenschaftler aus dem Institut für Mikroelektronik- und Mechatronik-Systeme (IMMS) und das Fachgebiet Softwaretechnik für sicherheitskritische Systeme der Fakultät für Informatik und Automatisierung an der Technischen Universität Ilmenau im Rahmen der zweijährigen Thüringer Forschergruppe „IntelligEnt – Künstliche Intelligenz und Machine Learning für den Entwurf und die Verifikation komplexer Systeme“ mit dem Thema, wie Künstliche Intelligenz und maschinelles Lernen für den Entwurf von Mikroelektronik unterstützen kann.

Maschinelles Lernen beim Mikroelektronik-Entwurf

So sollen künftig ungünstige Anordnungen im Layout oder falsche Testlimits frühzeitig erkannt werden. Denn bisher werden Fehler erst im Zusammenspiel der Komponenten erkannt. Somit ließen sich zusätzlicher Aufwand und hohe Kosten im Entwurf und in der Validierung der Systeme nach der Fertigung vermeiden. In der Forschergruppe „IntelligEnt“ arbeiten die Forscher an anwendungsorientierten Konzepten für maschinelles Lernen im Mikroelektronik-Entwurf, die an vorhandene Methoden und Werkzeuge angebunden werden sollen.

Das immense Potenzial des maschinellen Lernens wollen die Forscher für fachliche und wissenschaftliche Weiterentwicklungen nutzen. Mögliche Unstimmigkeiten sollen zeitnah erkannt und optimiert werden. In vielen Anwendungen können die Methoden des maschinellen Lernens den Menschen übertreffen. Das ist beispielsweise bei der Mustererkennung. Integriert in einen automatisierten Entwurfs- und Charakterisierungsprozess ist sie in der Lage, Strukturen zu erkennen und damit Daten zu reduzieren, Anomalien aufzuspüren und bestehende Lösungen zu optimieren. Dabei werden in „IntelligEnt“ die Algorithmen des maschinellen Lernens als Werkzeug verstanden und eingesetzt, wie Regression und Klassifikation mit Deep-Learning-Methoden oder Ausreißer-Detektion mit Self- und Semisupervised Learning.

Kritischer Systementwurf

• Modelle für Verhaltensprognosen erstellen: Die Erstellung von Modellen für Systemkomponenten bzw. IP ist entscheidend für die Entwurfsqualität. Die Integration von Eigenschaften, wie Stromaufnahme und Operationsregionen, in System-Level-Modelle soll mithilfe eines lernenden Systems automatisiert werden.
• Entwurf von Analog-/Mixed-Signal-Schaltungen: Die Struktur bzw. Topologie bestimmt die Performance einer gemischt analog/digitalen Schaltung. Um diese rechnergestützt zu optimieren, wird ein Verfahren zur Strukturerkennung und -anpassung entwickelt.
• Layout von Analog-/Mixed-Signal-Schaltungen – den Bauplan für den Chiphersteller entwerfen: Formal korrekte Layouts können Unstimmigkeiten enthalten, wie Substratkopplung, Feldtransistoren und Mismatch. Ausgehend von bestehenden Entwürfen soll ein lernendes System neue Layouts bewerten und potentielle Fehler erkennen.
• Simulation und Verifikation – vor der Fertigung alle Schritte und Funktionen prüfen: Auf allen genannten Stufen wird das System schrittweise in immer größeren Funktionsgruppen geprüft, bevor der Chip gefertigt wird. Für die dafür durchgeführten Simulationen werden die mit den Methoden zum MachineLearning erweiterten Modelle genutzt.
• Test und Charakterisierung – gefertigte Chips prüfen: Die Optimierung des Testablaufes und die Auswahl der kritischen Tests für Mixed-Signal-Systeme und MEMS ist bisher Handarbeit. Das führt auch dazu, dass redundante Tests ausgeführt werden. Mit Machine-Learning-Algorithmen werden Abhängigkeiten sichtbar und damit nutzbar. Das Ziel ist eine Plattform für die Adaption des Testplans und die Extraktion von definierten Fehlerbildern.

Autor: Hendrik Härter

(c)2019
Vogel Communications Group