electronique-news.com
19
'26
Written on Modified on
Keysight ajoute un toolkit IA pour accélérer les PDK
Le nouveau module automatise l’extraction de paramètres pour les modèles compacts et soutient les workflows DTCO pour nœuds avancés, RF et puissance.
www.keysight.com
Le Machine Learning Toolkit accélère le développement des modèles en le faisant passer de plusieurs semaines à quelques heures.
Avec le passage aux architectures gate-all-around, aux matériaux wide-bandgap et aux stratégies d’intégration par chiplets, la création de modèles compacts et l’extraction de paramètres deviennent des goulots d’étranglement majeurs pour le design enablement. 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).
Pourquoi la modélisation ralentit aux nœuds avancés
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 device et circuit, notamment dans les programmes DTCO.
Une extraction pilotée par ML dans Device Modeling MBP 2026
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 ML, des flux d’extraction automatisés et des utilitaires destinés à remplacer les cycles manuels chronophages par une optimisation basée 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. Les modèles obtenus visent des usages en DC, RF et strong-signal.
Intégration dans les pipelines d’automatisation EDA
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 : FinFET, GAA, GaN, SiC, bipolaire
Keysight présente le Machine Learning Toolkit comme adaptable à plusieurs technologies, dont FinFET et GAA, ainsi que les composants wide-bandgap 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 semi travaillant sur des portefeuilles mixtes (logique avancée, RF front-end, puissance), cette portabilité des flux influence directement la vitesse du design enablement et la disponibilité de modèles validés dans les environnements de conception circuit.
DTCO : réduction des cycles de développement PDK
Keysight relie directement le toolkit à l’efficacité DTCO via un raccourcissement de la boucle de feedback entre la modélisation device et la conception circuit. L’objectif affiché est de faire passer les cycles de développement PDK de plusieurs semaines à quelques jours en accélérant l’extraction, en améliorant la prédictivité et en automatisant des étapes qui reposent généralement sur des itérations expertes répétées.
En pratique, cela soutient des itérations plus rapides entre niveau composant et niveau circuit, notamment sur les programmes advanced node où la maturité PDK est étroitement liée aux plannings de tape-out et où la précision doit rester stable sur des enveloppes d’exploitation plus larges.
www.keysight.com
Avec le passage aux architectures gate-all-around, aux matériaux wide-bandgap et aux stratégies d’intégration par chiplets, la création de modèles compacts et l’extraction de paramètres deviennent des goulots d’étranglement majeurs pour le design enablement. 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).
Pourquoi la modélisation ralentit aux nœuds avancés
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 device et circuit, notamment dans les programmes DTCO.
Une extraction pilotée par ML dans Device Modeling MBP 2026
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 ML, des flux d’extraction automatisés et des utilitaires destinés à remplacer les cycles manuels chronophages par une optimisation basée 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. Les modèles obtenus visent des usages en DC, RF et strong-signal.
Intégration dans les pipelines d’automatisation EDA
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 : FinFET, GAA, GaN, SiC, bipolaire
Keysight présente le Machine Learning Toolkit comme adaptable à plusieurs technologies, dont FinFET et GAA, ainsi que les composants wide-bandgap 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 semi travaillant sur des portefeuilles mixtes (logique avancée, RF front-end, puissance), cette portabilité des flux influence directement la vitesse du design enablement et la disponibilité de modèles validés dans les environnements de conception circuit.
DTCO : réduction des cycles de développement PDK
Keysight relie directement le toolkit à l’efficacité DTCO via un raccourcissement de la boucle de feedback entre la modélisation device et la conception circuit. L’objectif affiché est de faire passer les cycles de développement PDK de plusieurs semaines à quelques jours en accélérant l’extraction, en améliorant la prédictivité et en automatisant des étapes qui reposent généralement sur des itérations expertes répétées.
En pratique, cela soutient des itérations plus rapides entre niveau composant et niveau circuit, notamment sur les programmes advanced node où la maturité PDK est étroitement liée aux plannings de tape-out et où la précision doit rester stable sur des enveloppes d’exploitation plus larges.
www.keysight.com
