Siemens stellt KI-basierte Software zur Halbleitercharakterisierung vor

Siemens Digital Industries Software hat Solido Characterizer vorgestellt, eine neue KI-gestützte Softwareplattform, die entwickelt wurde, um Workflows zur Halbleiterbibliotheks-Charakterisierung über ausgereifte und fortschrittliche Prozessknoten hinweg zu beschleunigen. Die Software ist Teil der Solido Characterization Suite und richtet sich an Foundries sowie integrierte Schaltungsdesign-Teams, die SPICE-basierte Liberty-Timing- und Leistungsbibliotheken für Halbleiterbauelemente entwickeln.

Die Ankündigung spiegelt die steigende Nachfrage der Branche nach schnelleren Charakterisierungsprozessen wider, da Halbleiterdesigns zunehmend komplexer werden und Prozesstechnologien engere elektrische Toleranzen, höhere Corner-Anzahlen sowie fortschrittliche Modellierungsformate wie das Liberty Variation Format einführen.

KI-Beschleunigung für die Erstellung von Liberty-Dateien
Die Bibliothekscharakterisierung ist eine entscheidende Phase der Halbleiterentwicklung, in der Timing-, Leistungs- und Variationsmodelle für den Einsatz in Workflows der elektronischen Designautomatisierung generiert werden. Diese Liberty-Dateien werden während der gesamten Chip-Implementierungs- und Verifizierungsprozesse verwendet, um das Zellverhalten unter verschiedenen Spannungs-, Temperatur- und Prozessbedingungen zu modellieren.

Laut Siemens nutzt Solido Characterizer prädiktive KI-Techniken zur Beschleunigung der Multi-PVT-Charakterisierung und der erweiterten LVF-Generierung, wodurch die Erstellungszeit von Liberty-Dateien von Wochen auf Tage reduziert wird. Das Unternehmen erklärte, dass die Software durch eine Kombination aus KI-basierten Charakterisierungs-Engines und KI-beschleunigter Simulationstechnologie einen bis zu siebenfach höheren Durchsatz liefert.

Die Charakterisierungs-Engine soll bei Silizium-Charakterisierungsaufgaben eine bis zu fünffache Geschwindigkeitssteigerung bieten, während der Solido LibSPICE-Simulator eine zusätzliche zweifache Leistungsverbesserung ermöglicht. Siemens erklärte, dass der kombinierte Ansatz die SPICE-Korrelationsgenauigkeit auf Produktionsniveau beibehält und gleichzeitig die Skalierbarkeit der Charakterisierung über verschiedene Halbleiterknoten hinweg verbessert.

KI-gesteuerte Workflows für das Halbleiterdesign
Die Software integriert sich mit Solido Analytics, um Echtzeit-Qualitätssicherungsüberwachung, Ressourcenverfolgung, Debugging-Unterstützung und automatisiertes Rerun-Management während der Charakterisierungs-Workflows bereitzustellen.

Die Komplexität der Halbleitercharakterisierung nimmt weiter zu, da fortschrittliche Prozesstechnologien größere Modelldatensätze, mehr Betriebsecken und strengere Validierungsanforderungen einführen. KI-gestützte Automatisierung wird zunehmend in EDA-Umgebungen eingesetzt, um den Simulationsaufwand zu reduzieren und Design-Iterationszyklen zu beschleunigen.

Solido Characterizer integriert sich außerdem mit dem Fuse EDA AI-System, um generative und agentische KI-Workflows über Charakterisierungsaufgaben hinweg zu unterstützen. Siemens erklärte, dass die Plattform gemeinsam mit Solido Generator betrieben werden kann, der Basis-Liberty-Daten verwendet, um KI-Modelle zu trainieren, die zusätzliche Bibliotheksansichten erzeugen können, ohne eine vollständige SPICE-Simulation zu benötigen.

Solche Ansätze sollen Charakterisierungsengpässe in fortschrittlichen Halbleiterdesign-Flows reduzieren, bei denen mehrere IP-Blöcke und große Designteams schnellen Zugriff auf signoff-fähige Bibliotheken benötigen.

Unterstützung für fortschrittliche Prozesstechnologien
Die Software wurde entwickelt, um Charakterisierungsanforderungen über ein breites Spektrum von Halbleitertechnologien hinweg zu unterstützen, einschließlich ausgereifter Knoten und fortschrittlicher Fertigungsprozesse.

Fortschrittliche Halbleiterknoten erfordern zunehmend detaillierte Charakterisierung, da schrumpfende Geometrien und engere elektrische Toleranzen die Schaltungsleistung empfindlicher gegenüber Prozessvariationen, Spannungsschwankungen und thermischen Effekten machen. LVF-Modellierungstechniken werden zunehmend eingesetzt, um statistische Timing-Variationen in fortschrittlichen integrierten Schaltungsdesigns zu erfassen.

Siemens erklärte, dass Solido Characterizer skalierbare Charakterisierungs-Workflows für Organisationen unterstützen soll, die mehrere Designgruppen und große IP-Portfolios gleichzeitig verwalten.

Brancheneinsatz und Verifizierung
GlobalFoundries erklärte, dass der interne Einsatz der Solido Characterization Suite die Erstellung von Liberty-Dateien in Produktionsqualität und Designmargen bei gleichzeitiger Aufrechterhaltung der SPICE-Korrelationsgenauigkeit ermöglicht habe. Laut dem Unternehmen erreichte der Charakterisierungs-Workflow interne Geschwindigkeitsverbesserungen von etwa 20 bis 30 Prozent.

Anatrix Inc. verwies ebenfalls auf die Nutzung von Siemens-EDA-Tools in Charakterisierungs-Workflows für strahlungsgehärtete digitale Gate-Bibliotheken und die Verifizierung analoger Mixed-Signal-IP.

Trends bei Halbleiter-KI und EDA-Automatisierung
Die Integration von KI in Workflows der elektronischen Designautomatisierung wächst rasant, da Halbleiterunternehmen versuchen, Entwicklungszeiten zu verkürzen und die steigende Designkomplexität im Zusammenhang mit KI-Beschleunigern, Hochleistungsrechnern, Automobilelektronik und fortschrittlichen Kommunikationssystemen zu bewältigen.

Charakterisierungs-Workflows gehören zu den rechenintensivsten Bereichen der Halbleiterbibliotheksentwicklung, da sie groß angelegte SPICE-Simulationen über zahlreiche Prozess- und Umgebungsbedingungen hinweg erfordern. KI-gestützte Charakterisierungsplattformen sollen diese Rechenanforderungen reduzieren und gleichzeitig die Modellierungsgenauigkeit auf Signoff-Niveau beibehalten.

Siemens erklärte, dass Solido Characterizer ab sofort verfügbar ist und während der U2U EU-Veranstaltung des Unternehmens am 12. Mai 2026 in Munich, Deutschland, demonstriert wird.

Bearbeitet von Natania Lyngdoh, Induportals-Redakteurin, mit Unterstützung von KI.

www.siemens.com