electronique-news.com
19
'26
Written on Modified on
Le toolkit s'appuie sur l'IA pour accélérer le processus de développement des PDK
Le Machine Learning Toolkit de Keysight entend accélérer le processus de développement des PDK destinés à la fabrication des semi-conducteurs en le faisant passer de plusieurs semaines à quelques heures.
www.keysight.com
Avec le passage aux architectures gate-all-around, aux semi-conducteurs à large bande interdite et aux stratégies d’intégration par chiplets, la création de modèles compacts et l’extraction de paramètres deviennent des goulots d’étranglement lors des processus de conception. Keysight Technologies a lancé un Machine Learning Toolkit au sein de la Keysight Device Modeling Software Suite afin d’accélérer la modélisation des composants et le développement de Process Design Kits (PDK) qui consituent un ensemble structuré de données, de modèles et de règles fourni par une fonderie de semi-conducteurs afin de permettre la conception de circuits compatibles avec un procédé de fabrication donné.
Les architectures avancées comme les transistors gate-all-around (GAA), les stratégies d’intégration hétérogène incluant les chiplets et l’empilement 3D, ainsi que l’adoption du GaN et du SiC augmentent fortement le nombre de conditions de fonctionnement et d’effets secondaires à capturer dans les modèles. Dans de nombreux flux, les équipes s’appuient encore sur des modèles physiques compacts et sur un ajustement manuel, où des centaines de paramètres couplés doivent être réglés de manière itérative sur différentes conditions de polarisation, de température et de signal.
Cette démarche manuelle peut prendre plusieurs semaines, en particulier lorsque la qualité d’ajustement dépend de boucles d’essais successives et d’expertise plutôt que d’un mécanisme d’optimisation reproductible. Avec des calendriers de développement plus serrés, l’industrie bascule vers des workflows d’extraction plus automatisés capables de produire plus rapidement des modèles prédictifs pour les équipes de conception, notamment dans les programmes DTCO (Design-Technology Co-Optimization pour co-optimisation conception-technologie).
Une extraction pilotée par Machine Learning
Le Machine Learning Toolkit est proposé dans la dernière version de la Device Modeling Software Suite et s’intègre dans Device Modeling MBP 2026. Le toolkit inclut un optimiseur Machine Learning (ML), des flux d’extraction automatisés et des utilitaires destinés à remplacer les cycles manuels chronophages par une optimisation basée sur le ML s’appuyant sur des architectures de réseaux de neurones.
Keysight indique que cette approche peut réduire le temps global de développement et d’extraction de modèles de plusieurs semaines à quelques heures, afin d’accélérer le déploiement des PDK et l’industrialisation d’applications DTCO.
De centaines d’étapes manuelles à une optimisation automatisée
Le point technique central concerne la réduction du nombre d’étapes d’extraction. Dans les flux traditionnels, les ingénieurs peuvent exécuter plus de 200 étapes d’extraction, avec des réglages répétés à mesure que le modèle dérive selon les conditions. Le flux automatisé du toolkit vise à abaisser ce total à moins de dix étapes, et dans un scénario décrit à environ cinq à six étapes automatisées.
Dans ce cadre, le toolkit permet une optimisation globale de plus de 80 paramètres en un seul passage. L’extraction est conçue pour capturer les effets secondaires, les variations de température et les comportements dynamiques, tout en diminuant le besoin d’ajustements manuels répétés.
Intégration dans les pipelines d’automatisation de conception
Le toolkit est conçu pour s’intégrer à la Device Modeling Platform de Keysight et prend en charge des personnalisations basées Python. Cela répond aux environnements où les équipes doivent standardiser et versionner les flux selon les nœuds et familles de composants, et où la génération de modèles doit s’inscrire proprement dans des pipelines de validation et de publication PDK.
Le module est ainsi positionné comme un levier vers une chaîne “model-to-PDK” plus automatisée, où les recettes d’extraction peuvent être réutilisées et adaptées au lieu d’être reconstruites à chaque génération de procédé.
Couverture technologique
Keysight présente le Machine Learning Toolkit comme adaptable à plusieurs technologies, dont FinFET et GAA, ainsi que les composants GaN et SiC, et les dispositifs bipolaires. L’objectif est d’obtenir des workflows reproductibles et réutilisables sur plusieurs nœuds technologiques et familles de dispositifs.
Pour les équipes travaillant sur des portefeuilles mixtes (logique avancée, RF front-end, puissance), cette portabilité des flux influence directement la vitesse du processus de conception et la disponibilité de modèles validés dans les environnements de conception circuit.
www.keysight.com
Les architectures avancées comme les transistors gate-all-around (GAA), les stratégies d’intégration hétérogène incluant les chiplets et l’empilement 3D, ainsi que l’adoption du GaN et du SiC augmentent fortement le nombre de conditions de fonctionnement et d’effets secondaires à capturer dans les modèles. Dans de nombreux flux, les équipes s’appuient encore sur des modèles physiques compacts et sur un ajustement manuel, où des centaines de paramètres couplés doivent être réglés de manière itérative sur différentes conditions de polarisation, de température et de signal.
Cette démarche manuelle peut prendre plusieurs semaines, en particulier lorsque la qualité d’ajustement dépend de boucles d’essais successives et d’expertise plutôt que d’un mécanisme d’optimisation reproductible. Avec des calendriers de développement plus serrés, l’industrie bascule vers des workflows d’extraction plus automatisés capables de produire plus rapidement des modèles prédictifs pour les équipes de conception, notamment dans les programmes DTCO (Design-Technology Co-Optimization pour co-optimisation conception-technologie).
Une extraction pilotée par Machine Learning
Le Machine Learning Toolkit est proposé dans la dernière version de la Device Modeling Software Suite et s’intègre dans Device Modeling MBP 2026. Le toolkit inclut un optimiseur Machine Learning (ML), des flux d’extraction automatisés et des utilitaires destinés à remplacer les cycles manuels chronophages par une optimisation basée sur le ML s’appuyant sur des architectures de réseaux de neurones.
Keysight indique que cette approche peut réduire le temps global de développement et d’extraction de modèles de plusieurs semaines à quelques heures, afin d’accélérer le déploiement des PDK et l’industrialisation d’applications DTCO.
De centaines d’étapes manuelles à une optimisation automatisée
Le point technique central concerne la réduction du nombre d’étapes d’extraction. Dans les flux traditionnels, les ingénieurs peuvent exécuter plus de 200 étapes d’extraction, avec des réglages répétés à mesure que le modèle dérive selon les conditions. Le flux automatisé du toolkit vise à abaisser ce total à moins de dix étapes, et dans un scénario décrit à environ cinq à six étapes automatisées.
Dans ce cadre, le toolkit permet une optimisation globale de plus de 80 paramètres en un seul passage. L’extraction est conçue pour capturer les effets secondaires, les variations de température et les comportements dynamiques, tout en diminuant le besoin d’ajustements manuels répétés.
Intégration dans les pipelines d’automatisation de conception
Le toolkit est conçu pour s’intégrer à la Device Modeling Platform de Keysight et prend en charge des personnalisations basées Python. Cela répond aux environnements où les équipes doivent standardiser et versionner les flux selon les nœuds et familles de composants, et où la génération de modèles doit s’inscrire proprement dans des pipelines de validation et de publication PDK.
Le module est ainsi positionné comme un levier vers une chaîne “model-to-PDK” plus automatisée, où les recettes d’extraction peuvent être réutilisées et adaptées au lieu d’être reconstruites à chaque génération de procédé.
Couverture technologique
Keysight présente le Machine Learning Toolkit comme adaptable à plusieurs technologies, dont FinFET et GAA, ainsi que les composants GaN et SiC, et les dispositifs bipolaires. L’objectif est d’obtenir des workflows reproductibles et réutilisables sur plusieurs nœuds technologiques et familles de dispositifs.
Pour les équipes travaillant sur des portefeuilles mixtes (logique avancée, RF front-end, puissance), cette portabilité des flux influence directement la vitesse du processus de conception et la disponibilité de modèles validés dans les environnements de conception circuit.
www.keysight.com
