面向SRAM的良率分析方法研究.pdfVIP

摘要

摘要

半导体工艺进入亚纳米时代，微电子器件的性能和可靠性设计难以保证，设计

过程中的良率分析成为该行业共同关注的问题。SRAM（StaticRandom-Access

Memory，静态随机存取存储器）电路具有高位密度、极低故障率的特征，采用完全

电路仿真进行良率分析仿真数量庞大，很难适应现阶段SRAM电路的迭代周期。本

文提出了一种适用于SRAM的DRT-MLH(Multi-levelHybridbasedonDimensionality

ReductionTechnology，基于降维技术的多级混合)良率分析方法。DRT-MLH方法针

对SRAM电路数据维度过高、数据集样本不平衡等问题，提出了联合降维算法和基

于样本平衡的三级混合模型。主要研究工作如下：

1）提出了基于特征选择的联合降维算法DRM-BFS（JointDimensionality

ReductionbasedonFeatureSelection）。DRM-BFS算法采用了一种层次化的特征选择

策略。首先，为了尽可能多的提取相关特征并适应不同SRAM类型，提出了基于嵌

入式的稳定特征选择算法，该算法采用三种不同的基选择器进行特征选择；其次，

提出了基于Bagging的递归特征消除算法进一步筛选强特征子集；最后，为了充分

挖掘数据的潜在信息，利用基于Logistic回归的自动特征构造算法对剩余特征进行构

造，生成更高层次的特征。通过实验证实了DRM-BFS算法有效降低了数据维度并

增加了分类器的分类精度。

2）提出了基于样本平衡的三级混合模型TLM-SB（AThree-levelMixedbasedon

SampleBalance）。第一级，针对数据重叠问题，提出球形空间重叠检测算法，该算

法通过对样本空间进行细致划分将重叠的样本进行分离，降低样本间的相互干扰；

第二级，针对数据不平衡的问题，提出基于SMOTE的混合采样算法，该算法引入

了重采样权重分配机制，通过调整不同类别样本的采样比例和权重，实现数据集的

平衡；第三级，针对SRAM数据重叠处理导致的数据三分类问题，构建了一个分类

模型。该模型将电路仿真嵌入基于SVM的分类算法中，将三分类模型的预测结果转

化为符合实际情况的二分类结果。

为评估本文提出的良率求解方法DRT-MLH的性能，将其应用于Registerfile电

路上，并与混合重要性采样算法进行对比实验。实验表明，相比于混合重要性采样

方法，DRT-MLH方法利用机器学习减少了83%左右的电路仿真，将良率分析时间

从4.9小时减少到0.6小时，在8%的相对误差内加速了1.5~2倍。

关键词SRAM良率；不平衡数据；数据重叠；联合降维算法；DRT-MLH方法

I

河北科技大学硕士学位论文

II

Abstract

Abstract

Semiconductortechnologyhasenteredthesub-nanometerera.Theperformanceand

reliabilitydesignofmicroelectronicdevicesisdifficulttoguarantee.Theyieldanalysisin

thedesignprocesshasbecomeacommonconcernoftheindustry.StaticRandomAccess

Memory(SRAM)circuitshasthepropertyofhighbitdensityandlowfailurerate.Therefore,

thetraditio