[发明专利]一种基于贝叶斯模型的SRAM电路良率分析方法

说明书

本发明属集成电路技术领域，涉及集成电路可制造性设计中静态随机存储电路良率分析方法，本方法中，首先使用互信息和序列二次规划，对高维SRAM电路的扰动空间进行降维，实现高维SRAM电路最佳平移矢量的快速计算；然后建立低维和高维SRAM电路性能分布的贝叶斯模型；最后，使用低维SRAM电路的先验知识，可极大地加速高维SRAM电路性能分布的拟合，大幅减小高维SRAM电路仿真次数，获得符合精度要求的SRAM失效率。实验结果表明，本发明提出的方法明显优于目前国际上已知的最好方法，可实现6‑7倍加速比。

技术领域

本发明属于集成电路技术领域，涉及集成电路可制造性设计中静态随机存储电路(Static Random Access Memory，SRAM)良率分析方法，具体涉及一种基于贝叶斯模型的SRAM电路良率分析方法，本方法首先使用互信息(Mutual Information，MI)和序列二次规划(Sequential Quadratic Programming，SQP)方法，快速计算最佳平移矢量(OptimalShift Vector，OSV)；然后建立低维和高维SRAM电路性能分布之间的贝叶斯模型；最后利用低维SRAM电路作为先验知识，可以极大地加速高维SRAM电路性能分布的拟合，大幅减小高维SRAM电路仿真次数，获得符合精度要求的高维SRAM电路的失效率。

背景技术

现有技术公开了随着半导体制造工艺尺寸的不断缩小，工艺扰动对SRAM电路的性能和可靠性的影响日益显著。为了减少芯片面积，SRAM单元通常采用最小工艺尺寸设计，这使得SRAM的性能极易受到工艺扰动的影响；同时，一个SRAM电路中包含有大量重复SRAM单元，为了保证整体SRAM电路的良率，每个SRAM单元的失效率必须极低(一般应低于10^-6)。

一般地，蒙特卡洛(Monte Carlo，MC)方法是简单、有效的良率估计方法，但由于SRAM电路的失效率极低，属于极端事件仿真，直接采用MC方法往往需数千万次采样才可能得到精确的失效率，而每一个采样点都要调用电路仿真工具，而针对大规模SRAM电路，电路仿真工具运行极为耗时。

因此，如何快速准确地计算SRAM电路或SRAM单元的失效率，是本领域中一个极具挑战的难题；其中，难点主要在于两个方面：第一，高效地高维SRAM电路失效率分析，文献[4],[11]-[12]致力于解决这一问题；第二，大规模电路的单次仿真运行时间很长；对于一个包含80个核心单元的SRAM阵列，单次电路仿真需要耗时两个小时，而实验表明，SRAM阵列电路仿真的时间复杂度大致为O(n³)，其中n是SRAM核心单元的数量，因此，随着电路规模的增大，仿真时间会急剧增加。

针对SRAM良率估算，目前主要分析方法大致可分为三类：基于重要性采样的方法(Importance Sampling，IS)[1-6]、失效边界搜索方法(Boundary Searching)[8-9]和渐进式方法[10-12]。

所述重要性采样方法通过平移原始分布来得到实际分布，这个平移矢量称为最佳平移矢量。相比原始分布，在实际分布上采样可使得大部分样本点落在失效边界附近，得到失效点的概率大幅提升，提升了采样效率。

近期，重要性边界采样(Importance Boundary Sampling，IBS)[6]结合重要性采样和边界搜索法的优点，提出重要性边界采样方法，该方法为失效边界建立代理模型(surrogate model)，可大幅提高重要性采样的效率，但是在高维中，代理模型很难得到，因此该方法仍只适用于低维。多失效区域重要性采样(Multiple failure regionImportance Sampling，MFRIS)文献[4]将重要性采样推广到高维和多失效区域，主要的思路是使用序列二次规划(Sequential Quadratic Programming，SQP)快速寻找OSV，然后在OSV附近进行采样。